掌上百科 - PDAWIKI»首页 › 交流专区 - Discussion › 词库制作交流区 - Dictionary-Making › PDF词典的OCR是怎么进行的呢？

查看: 750|回复: 4

上一主题

下一主题

[求助] PDF词典的OCR是怎么进行的呢？

TA的每日心情

	开心 2018-5-26 18:12

签到天数: 11 天

[LV.3]偶尔看看II

19 主题	120 回帖	9106 积分

Rank: 8 Rank: 8

积分: 9106

发消息

电梯直达

跳转到指定楼层

1楼

发表于 2019-9-3 18:15:42 | 只看该作者回帖奖励

回帖奖励

|倒序浏览 |阅读模式

本帖最后由 Charlieqiu 于 2019-9-4 00:50 编辑

我对这个技术问题感兴趣，有没有可行性高的ocr步骤将PDF词典转换成文字版？1. 比如现在我只能想到用Finereader14先识别，但识别后是先导出再校对，还是在Finereader内校对后再导出？
2. 用Finereader14识别后导出的格式应该是什么？因为要保存标签，所以用html格式，但这标签太乱，根本不能用啊
3. 以及其他具体的ocr及校对的步骤
我现在是在慢慢学习技术中，就将制作词典当实例练习，慢慢熟练起来

本帖被以下淘专辑推荐:

· 词典制作|主题: 217, 订阅: 39
· 词典制作|主题: 111, 订阅: 24

回复

该用户从未签到

539 主题	3046 回帖	25万积分

翰林院编修

Rank: 11

积分: 251476

发消息

2楼

发表于 2019-9-3 21:03:25 | 只看该作者

我是先导出再校对

建议你先说说，想怎么做「PDF词典」，是做图片版嘛？做图片版的话，OCR原书自带的索引就行了

点评回复支持反对

TA的每日心情

	开心 2018-5-26 18:12

签到天数: 11 天

[LV.3]偶尔看看II

19 主题	120 回帖	9106 积分

Rank: 8 Rank: 8

积分: 9106

发消息

3楼

楼主| 发表于 2019-9-4 00:48:24 | 只看该作者

klwo2 发表于 2019-9-3 21:03
我是先导出再校对

建议你先说说，想怎么做「PDF词典」，是做图片版嘛？做图片版的话，OCR原书自带的索引就 ...

不是哦，是要ocr成文字版的mdx，想要看看转换的障碍最小有多大

点评回复支持反对

TA的每日心情

	开心 2018-5-26 18:12

签到天数: 11 天

[LV.3]偶尔看看II

19 主题	120 回帖	9106 积分

Rank: 8 Rank: 8

积分: 9106

发消息

4楼

楼主| 发表于 2019-9-4 03:38:08 | 只看该作者

现在这样ocr转换成文本太麻烦，看来没有比较方便的方法，目前如果没有好的文本数据源，图片词典还是唯一选择，可惜图片格式没有能像PDF一样能搜索文字，不然更加方便一些

点评回复支持反对

该用户从未签到

539 主题	3046 回帖	25万积分

翰林院编修

Rank: 11

积分: 251476

发消息

5楼

发表于 2019-9-4 08:01:14 | 只看该作者

Charlieqiu 发表于 2019-9-4 00:48
不是哦，是要ocr成文字版的mdx，想要看看转换的障碍最小有多大

ocr成文字版的mdx不是不可以，不过有限制：

1. 最好不是专门的汉语词典，不然生僻字很头疼
2. 最好只有英语字母，没有特殊符号，不然校对很头疼
3. 图片越清晰越好

这么看下来，就没有太多词典了

点评回复支持反对