【完成】pdf 转 mdx：Dictionary of Cliches (Facts on File)

mikeee

- L8 M/ d  P2 h' V! K$ ^
再来用 PDF 做个 mdx，Dictionary of Cliches的pdf文件论坛里可以搜到。大致看了一下，估计两小时的工作量——最后用了不下10小时。步骤：

• 上传pdf到 https://pdftohtml.net, 几分钟后下载转成了 html 的文件。
• 用 Chrome 打开解压后得到的 html 文件， F12调出 devtools。稍微研究一下后即可得知，div.cls_025>span.cls_025,div.cls_025>span.cls_023,div.cls_023 的 css selector 可以完美定位所需的内容。div.cls_025>span.cls_025 定位的是词头, div.cls_025>span.cls_023,div.cls_023定位词义。几行python搞定。（用 bs4 或lxml应该也是可以的， 其实pq是基于 lxml的etree元素。用node的cheerio的话基本思想差不多，码可能更简洁。用正则的话当然就用不了css selectors，可能会繁琐一点。）
  1. from pyquery import PyQuery as pq
     ( O/ X* J$ P2 O! P
  2. 
     - J) w" y; s5 ]2 q0 O4 ~' I
  3. file = r'C:\Users\xyz\Downloads\Dictionary of Cliches (Facts on File)\b67f0a6e-1e61-11e9-8f58-0cc47a792c0a_id_b67f0a6e-1e61-11e9-8f58-0cc47a792c0a.html'
     
  4. doc = pq(open(file, encoding='utf8').read())
     
  5. 
     6 |: v8 _8 q$ @! z/ S8 n% `6 w
  6. hw_css = 'div.cls_025>span.cls_025'
     0 T8 b6 V5 ~# u" J2 p& y& \
  7. ctx0_css = 'div.cls_025>span.cls_023'
     
  8. ctx0a_css = 'div.cls_025>span.cls_028'
     ; x# Y: J! D4 L. l7 |
  9. ctx0b_css = 'div.cls_028'  # capital, references
     
  10. ctx0c_css = 'div.cls_027'  # italics, book names
      
  11. ctx1_css = 'div.cls_023'
      / {9 e+ w4 C* H; u7 N2 w) ]7 Z
  12. hw_ctx_css = f'{hw_css},{ctx0_css},{ctx0a_css},{ctx0b_css},{ctx0c_css},{ctx1_css}'
      ; b2 a9 }7 n1 c3 z$ S
  13. 
      
  14. # css selector 到最后比我预期的复杂些， 所以用 abbyy finereader 可能比用 pdftohtml.net 简单些。
      
  15. items = doc(hw_ctx_css)

  复制代码
  我们要的东西在 items 里。稍微处理一下 items 得到 由(词头，词义)组成的 entries
  1. entries = []
     
  2. hw = ''
     
  3. ctx = ''
     
  4. 
     
  5. upper_b = 50
     ! g5 ?3 C0 I6 e5 A& g0 E0 }
  6. for elm in items[: upper_b]:
     / c3 C5 h/ Y4 K8 Z% q! Q
  7.     tmp = pq(elm)
     
  8.     if tmp.attr('class') == 'cls_025':
     
  9. 
     ! G$ q: a1 w- g* F
  10.         entries += [(hw, ctx)]
      
  11. 
      
  12.         hw = tmp.text()
      4 F, g5 h3 h! @% J5 w" j1 E7 B
  13.         ctx = ''
      # `2 ~8 A3 D- B+ r8 B$ A; B
  14.     else:
      ' H+ H* W- M/ p( c6 s/ S5 z
  15.         ctx += f' {tmp.text()}'
      1 j4 V' o/ L' \9 E9 x& ?
  16. 
      
  17. # collect the last batch
      , f9 Q- i+ w% b& D- A
  18. entries += [(hw, ctx)]
      ) J$ N0 D" A1 U( g7 h+ D4 E  w2 D) b
  19. 
      
  20. def proc_func(ctx):
      
  21.     ctx = ctx.strip()
      
  22. 
      1 N5 p0 v" a# g3 N8 g; ^) s  a
  23.     # insert a space after .: [a-z]\.)([^\s])
      
  24.     ctx = re.sub(r'([a-z]\.)([^\s])', r'\1 \2', ctx)
      + u# H8 }& G! j3 q" [5 y! W& ~
  25. 
      
  26.     # remove spaces
      
  27.     ctx = re.sub(r'\s\s+', r' ', ctx)
      
  28.     return ctx
      ! [3 J0 Q0 z! y# l. C1 M
  29. 
      
  30. entries = [(elm[0], proc_func(elm[1])) for elm in entries]
      $ R( R" R0 D; g0 F/ ?2 y
  31. 
      4 d2 p, [% C& k" h6 H  L  g
  32. print(entries[:3])

  复制代码
  输出为
  1. [('', '—Christine Ammer —Christine Ammer'), ('about face, to do an',  'To reverse a decision or change one’s opinion. The term comes from the American military command to turn 180 degrees at attention, dating from the mid-nineteenth century, and by 1900 was being used figuratively. A more recent colloquial usage is to do a 180, but it has not yet reached cliché status.'), ('about the size of it',  'An approximately accurate version of a situation, event, or circumstance. It generally is used as a summing up: “That’s about the size of it. ”')]

  复制代码
  基本大功告成了。其实后面还是有很多事要做。
• 转成（mdxbuilder可用的） mdxhtml 格式（其实也可以直接用writemdict直接做成 mdx）。pdftohtml.net 转的html含位置信息，要抽取词头和释义以及参考链接还是要费点周折。折腾了几个晚上。结果是上传的三个py文件（mapping_dict.py用于处理一些特殊的链接）。运行 gen_mdicthtml.py 即可生成 dict_of_cliches_mdict.html。用 mdxbuilder 处理 dict_of_cliches_mdict 即可得到 mdx 和 mdd。所有的 py、html及 css、封面 png 打成包（见附件），python码比较乱，没有整理，但Py3.6下是可以运行的，有兴趣的网友可以折腾一下。
• Mdxbuilder 处理 dict_of_cliches_mdict.html 生成 mdx、mdd。（见附件）词头做了分拆，有交叉索引链接。见下图。
• 改进：找时间再做个可以查独立单词或词组的详细索引，进一步提高字典的可用性。
• 结语：如果 pdf 文件的内容是英文的并且可以拷出来，用 pdftohtml.net 转 html 再用 css selector 可以非常方便的自动处理词头和释义。但也有不少坑——漏掉一类  css selector就会导致内容的遗失。
  

' E  D' t. j. @% I. [2 O3 j5 t* y

jonah_w

厉害了，要跟楼主学习

潇潇天

很厉害，就是看不懂

lyc1060026905

厉害厉害，支持楼主！

saluttous

厉害，根本看不懂

mikeee

做完了，没有人工校对，免费下载 mdx。欢迎交流。

zakzak

感谢楼主分享====

haoduodianying

楼主厉害啊 膜拜以下  

mrfu

膜拜楼主