Ocr 后的txt文档转成mdx格式

Budha · 发表于 2019-4-12 21:08:27

本帖最后由 Budha 于 2019-4-12 21:45 编辑

用abbyy把pdf词典转成txt格式时，可以选择分行的模式，这就保证了词头肯定在行首，虽然不知道在哪行。如果手中已有词头列表，则可以用此python程序把这个txt文件转成mdx需要的格式。
程序链接如下：

本帖隐藏的内容

https://github.com/JehovahAlah/OcrTxtToMdx

不才已几十年没写程序，此程序是小弟写的第一个python程序，不足之处，还请方家海涵与斧正.
不胜感激！

Android · 发表于 2019-4-12 22:35:07

坐标+粗体+字号

Budha · 发表于 2019-4-13 07:55:45

liuyunrushui 发表于 2019-4-13 07:22
大神能指导下如何操作的吗？感谢！

github上有三个文件，一个是主程序，另外两个是测试txt,ld.txt是ocr后的词典文本，citou.txt是词头列表，把这三个文件放在同一个文件夹里，运行主程序会生成一个ldresult.txt的文件，这个就是符合mdx格式的文本文件。日语我没试过，应该可以吧，这个程序是不分语种的，理论上任何语言都可以。不要叫我大神，我是小弟，您是翰林院的，您才是大神。

喬治兄 · 发表于 2019-4-13 00:56:41

本帖最后由喬治兄于 2019-4-13 01:28 编辑

Budha 兄:
貧道淺見
雖然還不知仁兄的 python 程序怎麼使用
也看不懂
但憑直覺而論
與其處理 txt 文件
怎不直接處理轉出的有標籤的 html 格式
這樣不是更好判斷嗎?
詞頭的部份不是內縮不然就凸出一點嗎
字號也會大一點或粗體
由標籤來處理是否會好點
直接轉成 html 格式
不也就像處理 epub 轉 html =>mdx

y8888 · 发表于 2019-4-12 22:02:03

abb可以识别字体大小，存成pdf也容易捕捉。

sexinsexppl · 发表于 2019-4-12 22:18:31

谢谢、很好的工具、虽然还没试过

neilzhu · 发表于 2019-4-12 22:35:10

正在学习制作mdx，多谢了

Budha · 发表于 2019-4-12 22:43:44

Android 发表于 2019-4-12 22:35
坐标+粗体+字号

这个貌似也只有90%的准确度，如果有100%准确的词头，通过在下的程序能生成几乎100%准确的mdx

yuqinghuaz1 · 发表于 2019-4-12 22:56:59

本帖最后由 yuqinghuaz1 于 2019-4-12 22:59 编辑

非常感谢自己学会制作词典才是最根本的能够提供百度盘下载吗

流星冲击 · 发表于 2019-4-12 23:14:15

ocr数据初步形成mdx，后期再校对数据，是一个好的开始。

bob123 · 发表于 2019-4-12 23:25:11

谢谢楼主的程序。云ocr慢慢用在词典制作上面了

oversky · 发表于 2019-4-12 23:39:50

可以套用 CSS 吗？

jm2018 · 发表于 2019-4-13 00:04:47

有时间的话试试工具好不好用。

Android · 发表于 2019-4-13 00:05:39

Budha 发表于 2019-4-12 22:43
这个貌似也只有90%的准确度，如果有100%准确的词头，通过在下的程序能生成几乎100%准确的mdx ...

你的方法有局限性，你必须提前准备词头列表。

因此词头列表你还得从纸质书获取（这里是关键了，你能保证100%正确吗）。

另外90%是站在你的立场，我自己有方法来实现校对。

喬治兄 · 发表于 2019-4-13 00:11:46

Budha 兄:
等此工具等很久了
沒想到原來同是佛門弟子......哈哈哈
小弟的土法煉鋼終於解脫了
謝謝喔

jonah_w · 发表于 2019-4-13 00:58:27

试一下这个工具感谢楼主分享

pdawikigreat · 发表于 2019-4-13 01:49:41

Thanks a lot for sharing the tools.

joy888 · 发表于 2019-4-13 05:20:32

多谢楼主分享这么好的工具。

Budha · 发表于 2019-4-13 06:57:13

y8888 发表于 2019-4-12 22:02
abb可以识别字体大小，存成pdf也容易捕捉。

没明白您的意思，abbyy的主要作用就是把pdf转成txt,为啥还要存成pdf文件？

Budha · 发表于 2019-4-13 07:01:10

喬治兄发表于 2019-4-13 00:56
Budha 兄:
貧道淺見
雖然還不知仁兄的 python 程序怎麼使用

师兄说言极是，但小弟几乎不懂html,css,而处理txt文本对小弟而言会容易些。但我请教过高手，就是把文件存成html格式，要转成mdx也非易事。

Budha · 发表于 2019-4-13 07:05:12

Android 发表于 2019-4-13 00:05
你的方法有局限性，你必须提前准备词头列表。

因此词头列表你还得从纸质书获取（这里是关键了，你能保证 ...

是的，我的程序是个初步的尝试，后期会有更新，会加入一个判断，如果词头不准，就退出程序，并提示是哪个词头。
您如果有啥好的校对方法，可以分享下吗？

liuyunrushui · 发表于 2019-4-13 07:20:06

谢谢大侠。试试日语方面可否操作！感谢！

liuyunrushui · 发表于 2019-4-13 07:22:44

大神能指导下如何操作的吗？感谢！

Budha · 发表于 2019-4-13 10:14:04

liuyunrushui 发表于 2019-4-13 07:22
大神能指导下如何操作的吗？感谢！

程序已更新，加入了词头出错判断，但貌似只在程序调试界面才能显示出错词头，哪位知道原因请告知。

lini · 发表于 2019-4-13 10:25:10

好像很不错的样子，不太懂程序，看看是怎么样的

[工具] Ocr 后的txt文档转成mdx格式

本帖隐藏的内容

评分

本帖被以下淘专辑推荐: