汉语大词典光盘版3.0及提取工具

tsiank · 发表于 2016-5-12 19:08:32

本帖最后由 tsiank 于 2022-11-13 00:01 编辑

网上找到了一个汉语大词典光盘版3.0的提取工具，用python写的（原介绍：漢᷂ 語᷂ 大᷂ 詞᷂ 典第三版 epwing化 toolkit 2010/09/29版提取原版光碟中的VFP数据并生成EBStudio所需的源文件。-hydcd 3.0 epwing conversion toolkit 2010/09/29 Extract data from decrypted Foxpro database in original CD and generate EBStudio source files.）。

不怎么熟悉，这语法也不知什么意思，反正总不能运行成功。在此发布出来供高人研究提取，以期得到一部真正的汉语大词典3.0版的mdx。

Hd3tk_100929.rar (321.88 KB, 下载次数: 32)

附汉语大字典光盘版3.0下载地址：
http://yun.baidu.com/share/link? ... adapt=pc&fr=ftw

tsiank · 发表于 2016-5-21 17:55:13

sky66 发表于 2016-5-21 17:48
http://news.66wz.com/system/2016/05/20/104833730.shtml

估计至少还要10年时间，2025年能出齐就不错了。

sky66 · 发表于 2016-5-21 17:48:28

tsiank 发表于 2016-5-21 15:56
之前不是说2015年出第一卷吗？都2016年中了，还没见影呢。2020年出齐，我看没准。

http://news.66wz.com/system/2016/05/20/104833730.shtml

陈增杰说，他目前负责第三册上半部分，初稿663页，计110万字，明年5月交稿。

2017 5月, 第三冊上半部才交稿, 之後還要再做校對整理, 印出來可能都2018了.
要出齊, 可能還真的要很久. 現在的版本繼續將就著用吧..

gnoweb · 发表于 2016-5-17 23:03:32

coolsummer 发表于 2016-5-17 16:41
将tsiank大、gnoweb大贴出的撷取画面与WFG大的部落格相比对，两位的撷取似乎都没有部首、笔画、页码等资讯 ...

已修正。

tsiank · 发表于 2016-5-16 18:06:23

chigre3 发表于 2016-5-16 17:43
这样也好可以对照blog说的数据条目数量对比一下

18,014 個漢字字頭+336,706 條複詞，總共354720條，不多也不少。
另外，光盤裏面的hd3dbs.mdb這個文件裏面就有所有的字頭和詞頭，網上的工具就能得到這數據庫的密碼。我就是用裏面的18,014 個字頭（扣除重複後共有13069個）用按鍵精靈循環13069次得到全部數據的。

coolsummer · 发表于 2016-5-16 10:04:10

tsiank 发表于 2016-5-15 21:01
初步完成，剩下的就是代码优化与排版的问题了。

tsiank大效率真高，又一部好辞典即将完成，恭喜贺喜！

tsiank · 发表于 2016-5-15 21:01:43

coolsummer 发表于 2016-5-13 11:49
WFG 大的法子避开了解码资料库，直接取得光盘画面呈现的 HTML，应该最不会有资料错漏的问题。祝 tsiank ...

初步完成，剩下的就是代码优化与排版的问题了。

chigre3 · 发表于 2016-5-13 18:17:55

看了下blog 提到了很多光盘原始数据的问题

chigre3 · 发表于 2016-5-12 19:51:49

上网查了一下，有人用这个工具在2010年就转了EBWIN格式了啊

tsiank · 发表于 2016-5-12 19:57:24

本帖最后由 tsiank 于 2016-5-12 19:59 编辑

chigre3 发表于 2016-5-12 19:51
上网查了一下，有人用这个工具在2010年就转了EBWIN格式了啊

是的。可又不是mdx格式。了EBWIN格式的也难以找到下载。这个生成EBStudio所需的源文件应该是txt之类的可编辑文本吧，只要能提取应该就可以做成mdx。

cici920 · 发表于 2016-5-12 20:45:41

tsiank 发表于 2016-5-12 19:57
是的。可又不是mdx格式。了EBWIN格式的也难以找到下载。这个生成EBStudio所需的源文件应该是txt之类的 ...

O大对《汉语大词典》各个版本的整理。
https://www.pdawiki.com/forum/thread-13694-1-1.html

chigre3 · 发表于 2016-5-12 20:46:38

http://pan.baidu.com/share/link? ... adapt=pc&fr=ftw

tsiank · 发表于 2016-5-12 21:04:24

chigre3 发表于 2016-5-12 20:46
http://pan.baidu.com/share/link?uk=3339042004&shareid=4125398604&third=0&adapt=pc&fr=ftw

非常感谢，下来看看。

chigre3 · 发表于 2016-5-12 21:06:15

tsiank 发表于 2016-5-12 21:04
非常感谢，下来看看。

下载得到的.zip，解压。然后用ebwin加载即可。

tsiank · 发表于 2016-5-12 21:18:46

chigre3 发表于 2016-5-12 21:06
下载得到的.zip，解压。然后用ebwin加载即可。

我在用goldendict加载。半天时间了还初始化....我试着看能不能把它转成mdx.

tsiank · 发表于 2016-5-12 23:52:05

chigre3 发表于 2016-5-12 21:06
下载得到的.zip，解压。然后用ebwin加载即可。

用ebdump转出来的怎么都是乱码

meigen · 发表于 2016-5-13 00:13:39

直接从光盘数据提取的话不知道会不会出现什么错误，就像之前的牛津双解7的数字问题，后来是运行查词界面，一个个单词输入查询得到的网页，类似于按键精灵，才有了完美版本。当然这个耗时就长了，而且电脑在操作的过程中，我们就没法做其他事情了

chigre3 · 发表于 2016-5-13 00:15:19

tsiank 发表于 2016-5-12 21:18
我在用goldendict加载。半天时间了还初始化....我试着看能不能把它转成mdx.

貌似这个词典不能用GD加载

tsiank · 发表于 2016-5-13 01:07:46

meigen 发表于 2016-5-13 00:13
直接从光盘数据提取的话不知道会不会出现什么错误，就像之前的牛津双解7的数字问题，后来是运行查词界面， ...

研究不出个所以然。看来我也是不得不用按键精灵了

tsiank · 发表于 2016-5-13 01:08:25

chigre3 发表于 2016-5-13 00:15
貌似这个词典不能用GD加载

确实这样，十几分钟都没加载完，放弃。

chigre3 · 发表于 2016-5-13 03:47:45

eeshu · 发表于 2016-5-13 07:15:11

本帖最后由 eeshu 于 2016-5-13 07:20 编辑

chigre3 发表于 2016-5-13 00:15
貌似这个词典不能用GD加载

可以用GD加载，就是时间长了些，大概八九分钟左右。只是显示不是很理想，词组先于字。

wawxing · 发表于 2016-5-13 07:58:02

meigen 发表于 2016-5-13 00:13
直接从光盘数据提取的话不知道会不会出现什么错误，就像之前的牛津双解7的数字问题，后来是运行查词界面， ...

在虚拟机中按键精灵。就能做其他事情了。

tsiank · 发表于 2016-5-13 08:22:28

eeshu 发表于 2016-5-13 07:15
可以用GD加载，就是时间长了些，大概八九分钟左右。只是显示不是很理想，词组先于字。

你们都用着EP版的，都没想过要转成mdx吗？我怎么觉得EP的排版那么差呢？而且常用字都用图片，真不能忍受。

tsiank · 发表于 2016-5-13 08:25:52

chigre3 发表于 2016-5-13 03:47

你这个倒没有图片字。

eeshu · 发表于 2016-5-13 08:45:57

tsiank 发表于 2016-5-13 08:22
你们都用着EP版的，都没想过要转成mdx吗？我怎么觉得EP的排版那么差呢？而且常用字都用图片，真不能忍 ...

我也是看了你了的帖子才知道GD可以加载EP词典，排版的确差了点，不过我不会转mdx，而且汉语大词典我一直都用的你的图片和文字版本，我觉得挺不错的。难道这个第3版好很多吗？我听说光盘的数据并不全。

tsiank · 发表于 2016-5-13 09:11:55

eeshu 发表于 2016-5-13 08:45
我也是看了你了的帖子才知道GD可以加载EP词典，排版的确差了点，不过我不会转mdx，而且汉语大词典我一直 ...

网上流传的文字版mdx等源数据也都是从光盘版2.0或3.0提取的，可在提取转换的过程中又丢了很多数据，比起光盘版的更不全，所以才想要要重新提取。

eeshu · 发表于 2016-5-13 09:29:39

tsiank 发表于 2016-5-13 09:11
网上流传的文字版mdx等源数据也都是从光盘版2.0或3.0提取的，可在提取转换的过程中又丢了很多数据，比起 ...

原来如此，不过好在有pdf。mdx只是图个方便。你是精益求精的完美主义者。要谢谢你的不少大作，给我们带来不少便利。

gnoweb · 发表于 2016-5-13 10:18:26

1、修改 makefile （参考图片，修改成自己的 python 相关路径）

2、CMD 工作目录切换到代码所在目录，使用 make 编译出 hydcd.pyd（前提是电脑有安装 MinGW 32bit，使用 GCC 及 make 程序，用安装版本的 python 头文件与链接库编译出同版本的 hydcd.pyd，参考图片）

3、用虚拟光驱加载镜像，把所有 DATA 文件夹下的数据拷贝到代码所在目录

4、CMD 工作目录切换到代码所在目录，运行 python 脚本提取数据（E:\Python\2.5.4\32bit\python.exe G:\Thunder\Hd3tk_100929\hyd2epw.py G:\Thunder\Hd3tk_100929\output），不过这个步骤会运行出错（主要是涉及编码转换的），可以参考他这个代码推测 hydcX.dbf 里面每个字段是何种数据，然后自己根据需要输出自己想要的信息即可。这里用（E:\Python\2.5.4\32bit\python.exe G:\Thunder\Hd3tk_100929\getdata.py）进行了测试，应该可行。

5、需要花费时间做其他编码测试格式转换的工作。思路就是如此了。可以参考。

coolsummer · 发表于 2016-5-13 10:24:54

这部 "汉语大词典光碟繁体单机 3.0 版"，台湾的 WFG (部件检索、教育部成语典、尔雅辞典的原制作者)曾从原始光碟转制成 mdx，原文见汉语大词典3.0 (大陆地区可能要翻墙才能连结)，tsiank 大不妨参考，或是跟 WFG 大联系一下，应该可以节省不少时间。

tsiank · 发表于 2016-5-13 11:29:53

还是自己先弄吧，自己做出来的字典可以自己做主，好的词典重复劳作的多了。我现在正用按键精灵处理呢，看了一下他的帖子，方法和我一样，只不过他是自己写代码，我用现成的工具

tsiank · 发表于 2016-5-13 11:32:29

coolsummer 发表于 2016-5-13 10:24
这部 "汉语大词典光碟繁体单机 3.0 版"，台湾的 WFG (部件检索、教育部成语典、尔雅辞典的原制作者)曾从原 ...

还是自己先弄吧，自己做出来的字典可以自己做主，好的词典重复劳作的多了。我现在正用按键精灵处理呢，看了一下他的帖子，方法和我一样，只不过他是自己写代码，我用现成的工具

[工具] 汉语大词典光盘版3.0及提取工具