【记录贴】一个小白如何把一个pdf转成mdx词典（Dorland's Illu...

xliley01 · 发表于 2018-7-4 21:33:35

本帖最后由 xliley01 于 2018-7-11 14:05 编辑

停止制作，Helios-X新发布带图的https://www.pdawiki.com/forum/fo ... &extra=page%3D1

单单的记录贴，记录一下我如何制作这个Dorland's Illustrated Medical Dictionary词典的。
第一步，pdf一切二：
这个是个两栏的pdf，直接转数据的话，会把2栏数据弄在一起，我分也分不开，灵机一动，用了一个软件a-pdf-pc，可以很容易把词典pdf文件的2栏分开了。呵呵。

切好

xliley01 · 发表于 2018-7-4 21:50:41

本帖最后由 xliley01 于 2018-7-4 22:08 编辑

第二步：用Adobe Acrobat 7.0 Professional软件把页面的页眉和页脚都切掉，不然省的还要处理这部分数据。

第三步：用软件AnyBizSoft_PDF_Converter将pdf转成html。不过这个html数据对我来说还有点奇怪，我还要研究研究怎么转换。呵呵。

第一个单词：
<div style="position:absolute;top:5.645;left:99.535;">
A
accommodation;
adenine
or
adenosine;
alanine;
ampere;
</div>
<div style="position:absolute;top:13.436;left:99.532;">
anode;
anterior;
(as
a
subscript)
alveolar
gas.
</div>

第二个单词：
<div style="position:absolute;top:25.208;left:99.535;">
A.
[L.]
an
0
num
(year).
</div>

第三个单词：
<div style="position:absolute;top:36.355;left:99.535;">
A
absorbance;
activity
(def.
3);
admittance;
area;
mass
</div>
<div style="position:absolute;top:44.145;left:99.532;">
number.
</div>

第四个单词：
<div style="position:absolute;top:55.975;left:47.840;">
A
2
aortic
second
sound.
</div>

好像还可以区分。明天继续。
有没有大侠帮忙转数据的，html格式看得我头大。

greatszh · 发表于 2018-7-4 22:10:47

如果想停留在编辑器层面处理数据的话,光是简单的查找替换的话,建议多少懂点正则表达式,如果想通过程序处理数据的话,python算是上手比较快的,想在excel内处理,多少懂点vba,想走短平快的,看看论坛里的工具.另外如果没接触过开发,html,xml啥的对标签的概念多少得有点.而且,直接扒下来的数据,ocr转码肯定不百分百正确,还得有个手工的校对过程.这些都还是仅仅是数据处理层面的皮毛,真正技术上的难点并不多,全是折磨人的体力活.数据处理完了,后期想弄个看起来比较美观的不闹眼睛的,至少css啥的得拿下,这更是个炼狱的过程.说这些,当各位典友们,都理解理解各位字典作者的辛苦吧...

GL_n · 发表于 2018-7-4 22:42:36

请问下楼主，下面图片中的这样的PDF双栏格式可以切割吗？

只看该作者 · 发表于 2018-7-4 23:00:29

xliley01 发表于 2018-7-4 21:50
第二步：用Adobe Acrobat 7.0 Professional软件把页面的页眉和页脚都切掉，不然省的还要处理这部分数据。

...

数据我可以帮你转一下。

xliley01 · 发表于 2018-7-5 10:47:45

greatszh 发表于 2018-7-4 22:10
如果想停留在编辑器层面处理数据的话,光是简单的查找替换的话,建议多少懂点正则表达式,如果想通过程序处理 ...

大侠说的有道理，不过都不会。要努力。

xliley01 · 发表于 2018-7-5 10:48:52

GL_n 发表于 2018-7-4 22:42
请问下楼主，下面图片中的这样的PDF双栏格式可以切割吗？

应该可以切，你试试，未注册版就第一页有水印，你加一页上去，切完删了就好。

xliley01 · 发表于 2018-7-5 10:49:50

bbs 发表于 2018-7-4 23:00
数据我可以帮你转一下。

太好了，等我再弄下，把多余的格式再删删掉。

thinkinginlast · 发表于 2018-7-5 12:09:11

GL_n 发表于 2018-7-4 22:42
请问下楼主，下面图片中的这样的PDF双栏格式可以切割吗？

简单的话，可以用迅捷pdf编辑器页面分割，就可以了。

xliley01 · 发表于 2018-7-5 20:31:29

由于pdf 转html后牵涉到很多词条位置的摆放位置，导致数据有些混乱，不知道有什么比较好的办法吗？

例如：
<div style="position:absolute;top:111.537;left:47.840;">
a.
</div>
<div style="position:absolute;top:122.627;left:47.840;">
a-
1
</div>
<div style="position:absolute;top:110.853;left:62.911;">
[L.]
an
0
num
(year);
a
0
qua
(water);
arte
0
ria
(artery).
</div>

后面词条被放到前面去了，不知道有解决办法吗

Oeasy · 发表于 2018-7-5 23:15:38

本帖最后由 Oeasy 于 2018-7-5 23:17 编辑

PDF 转 mdx 是近乎不可能的任务，DIMD 这么庞大的 PDF ，难度更是可想而知。

DIMD32 在 3 年前就有人做过的，还是音频图片版 https://pdawiki.com/forum/forum.php?mod=viewthread&tid=13925

如果要再造轮子，可以考虑：
- 购买 Kindle 原版 https://www.amazon.com/dp/B005FMPZOE/ 从 epub 格式入手，比 PDF 简单
- 购买在线版帐号而后抓取 https://www.dorlandsonline.com/ ，一个月只要 4.99 美元，
- 破解 app
- 其他

shuitianyise · 发表于 2018-7-6 01:45:34

提示: 该帖被管理员或版主屏蔽

xliley01 · 发表于 2018-7-6 03:21:46

Oeasy 发表于 2018-7-5 23:15
PDF 转 mdx 是近乎不可能的任务，DIMD 这么庞大的 PDF ，难度更是可想而知。

DIMD32 在 3 年前就有人做过 ...

O大真的是无所不知，钦佩。

xliley01 · 发表于 2018-7-6 13:13:22

xliley01 发表于 2018-7-5 20:31
由于pdf 转html后牵涉到很多词条位置的摆放位置，导致数据有些混乱，不知道有什么比较好的办法吗？

例如： ...

关于词条摆放位置的混乱，找到一个可能可行的方法，pdf转Excell，贴个图

继续努力看看。

另外，求推荐个好的pdf编辑器。

sabrina2111 · 发表于 2018-7-6 19:36:59

虽然我看不懂你们在说什么，但是dorland medical dictionary的app论坛里不是有破解版么？忘了哪看到的了。

kyletruman · 发表于 2018-7-6 20:43:46

sabrina2111 发表于 2018-7-6 19:36
虽然我看不懂你们在说什么，但是dorland medical dictionary的app论坛里不是有破解版么？忘了哪看到的了。 ...

跟破解加密数据是两码事

GL_n · 发表于 2018-7-6 22:55:13

xliley01 发表于 2018-7-6 13:13
关于词条摆放位置的混乱，找到一个可能可行的方法，pdf转Excell，贴个图

Adobe Acrobat pro 怎么样？不知是否符合楼主的要求？

imfcia · 发表于 2018-7-22 18:15:45

小白能问下大神们，如何将docx转成mdx吗，就是我想制作个词典：输入年份（在1997到2014之间的年份），然后就显示那一年的真题，这样可以十分方便地点击查词，以及最重要地高亮标记和做批注，历年真题我已经收集有1997到2014的真题的docx了（如果直接用看文件的方法在欧路打开就只能点词查询）。烦请大神有空能不能稍微给我指点一下，多谢了。D:\迅雷下载

[教程] 【记录贴】一个小白如何把一个pdf转成mdx词典（Dorland's Illu...

评分

本帖被以下淘专辑推荐:

评分