如何快速进行书籍OCR后的文字校对、我用excel的VBA

lwx228 · 发表于 2020-4-3 14:40:31

本帖最后由 lwx228 于 2020-4-3 18:55 编辑

题目抢眼。

我算是OCR狂人、几乎将所得到超哥的书都制作为双层PDF
自己通过自拍制作了不少自己需要的双层PDF

但要将书籍转文字、再将文字转为数据库。文字校对是头痛的问题。

我主要用excel的VBA进行、EmEditor辅助。
来到此坛学习、些此坛高手如云、所以特意来请教。劳烦众侠指点。

Oeasy · 发表于 2020-4-7 19:22:59

楼主精神可嘉，依稀看到了过去的自己。

我这里歪个楼，如果把 OCR、校对乃至录入作为个人娱乐活动或者是当做技术学习练手，那自然是可以的。

过去 30 余年出版的书籍，其实出版社那里是有文字版的，当然可能质量不如人意，但是怎么也胜过自己 OCR。

比如您提到的辞源、古典诗词百科描写辞典，其实来源可靠的 mdx 版本很早都有了，抱歉我这里暂时没有，但是我知道有人很久之前就做过了。

- 辞源官方在线版 http://ciyuan.cp.com.cn/
- 古典诗词百科描写辞典上 http://mall.cnki.net/reference/detail_R200610136.html
- 古典诗词百科描写辞典下 http://mall.cnki.net/reference/detail_R200610135.html

时间宝贵，虽然人生本就是轮回，我们不停地重复自己，重复别人做过的事情。但是，充分调研信息，节省时间、精力，去做一些于人于己更有意义的事情，岂不美哉。

一点拙见，如有冒犯，还请见谅。

喬治兄 · 发表于 2020-4-3 21:55:12

本帖最后由喬治兄于 2020-4-3 22:09 编辑

lwx228 发表于 2020-4-3 21:45
五笔要先背口诀。很多人不喜欢

換手机，好輸入些，您剛所謂的無法認新詞或創新詞，那是資料庫無此新詞所以無法認得是嗎？，但，若要自動收入，是否也得有個程序能幫你判斷此是新詞，然後收入吧！，感覺此有點牽扯 Markov Chain 和數位電子的的狀態机模型，和 Decision Three
的結合, 且您所謂僅靠詞頻想來判斷是否新詞，此也有點薄弱，說不定對目前的資料處理一下，線性迴歸一下，也許會有答案，不需大數據，其實，每個詞在一個固定字表裡都會有個固定的机率，我不便多提，因此法類似算牌的方法，哈！哈哈哈哈哈！

lwx228 · 发表于 2020-4-4 12:33:07

喬治兄发表于 2020-4-4 12:26
[工具] （更新）图片版mdx源文件生成工具
tsiank 兄已提供完美秒殺生成工具, https://www.pdawiki. ...

嗯、用VBA就能全自动化。一键完成。
VBA的初衷就是自动化。虽然VBA在编程高手眼中是不入流的。
……
我用VBA也十多年了。

难在文字校对。

lwx228 · 发表于 2020-4-3 14:40:48

本帖最后由 lwx228 于 2020-4-3 14:46 编辑

二楼备用

lwx228 · 发表于 2020-4-3 14:41:04

本帖最后由 lwx228 于 2020-4-3 14:49 编辑

三楼备用

lwx228 · 发表于 2020-4-3 14:50:06

坛子上传东西太慢了

klwo2 · 发表于 2020-4-3 15:23:29

你是想问「汉语书怎么做好文字校对？」

没有秘诀，就是多花时间，谁叫汉字有这么多呢，呵呵～

做多了就厌倦了，做不下去了，可能唯一的秘诀就是降低工作量，一次只做一点点

lwx228 · 发表于 2020-4-3 15:31:08

klwo2 发表于 2020-4-3 15:23
你是想问「汉语书怎么做好文字校对？」

没有秘诀，就是多花时间，谁叫汉字有这么多呢，呵呵～

非常感谢大侠!

一次只做一点点、日子见功夫。
谢谢！

ltr970503 · 发表于 2020-4-3 16:53:54

百度：古典诗词百科描写辞典
腾讯优图：古诗词百科描写辞典
Google：古典诗词百科描写辞典

其实在线接口的识别率还是可以的，只要印刷没啥问题

lwx228 · 发表于 2020-4-3 16:59:26

ltr970503 发表于 2020-4-3 16:53
百度：古典诗词百科描写辞典
腾讯优图：古诗词百科描写辞典
Google：古典诗词百科描写辞典

不知大侠的是如何具体操作？

我是指整本书全部提取文字。

ltr970503 · 发表于 2020-4-3 17:04:44

lwx228 发表于 2020-4-3 16:59
不知大侠的是如何具体操作？

我是指整本书全部提取文字。

如果要保留排版就没法了，如果只是纯文本，转图片用接口去做呗，就是书页太多耗时可能不少= =

lwx228 · 发表于 2020-4-3 17:10:30

本帖最后由 lwx228 于 2020-4-3 17:11 编辑

ltr970503 发表于 2020-4-3 17:04
如果要保留排版就没法了，如果只是纯文本，转图片用接口去做呗，就是书页太多耗时可能不少= = ...

我只用ABBYY

lwx228 · 发表于 2020-4-3 17:11:00

一次过

孤影 · 发表于 2020-4-3 17:50:46

我算是OCR狂人、几乎将超哥的书都制作为双层PDF

所有?几百万本?

逃不过红尘 · 发表于 2020-4-3 18:53:33

超哥是谁啊……

lwx228 · 发表于 2020-4-3 18:54:25

孤影发表于 2020-4-3 17:50
我算是OCR狂人、几乎将超哥的书都制作为双层PDF

所有?几百万本?

呵呵、我的粗心惊动了超级版主

只有是我所要的、也几个T了

lwx228 · 发表于 2020-4-3 19:03:39

辞源第三版也全部OCR了、计划将词条校对

lwx228 · 发表于 2020-4-3 19:10:51

用excel+VBA整理事半功倍

lwx228 · 发表于 2020-4-3 19:54:25

本帖最后由 lwx228 于 2020-4-3 19:58 编辑

还好、在github得到的古诗。
用JMP将这些JSON格式的一网打尽、省却了校对

喬治兄 · 发表于 2020-4-3 20:51:30

lwx228 发表于 2020-4-3 19:54
还好、在github得到的古诗。
用JMP将这些JSON格式的一网打尽、省却了校对

Brother lwx228 :
厲害呀! 仁兄, 文學家 or 歷史學家
JMP.......已在此論壇看到一位也使用此軟件

實在很難連結 JMP 怎.......來處理此類資料....

lwx228 · 发表于 2020-4-3 20:56:45

喬治兄发表于 2020-4-3 20:51
Brother lwx228 :
厲害呀! 仁兄, 文學家 or 歷史學家
JMP.......已在此論壇看到一位也使用此軟件

JMP是SAS旗下的产品、应比SPSS强

lwx228 · 发表于 2020-4-3 20:58:47

我是纯粹无聊、想搞数据库而已、JMP还能进行词频统计、但是鸡肋

喬治兄 · 发表于 2020-4-3 21:10:33

本帖最后由喬治兄于 2020-4-3 21:22 编辑

lwx228 发表于 2020-4-3 20:58
我是纯粹无聊、想搞数据库而已、JMP还能进行词频统计、但是鸡肋

為何是鸡肋.....
我只知早期 JMP focus on DOE
其他區塊似乎不是很有特色
後來沒再注意過
中文輸入 1hr 我可能打不出 200-300 中文字
MS 這種輸入真是有夠難輸

lwx228 · 发表于 2020-4-3 21:21:36

喬治兄发表于 2020-4-3 21:10
為何是鸡肋.....
我只知早期 JMP focus on DOE
其他區塊似乎不是很有特色

它的词频、不能学习新词语、只认它词库的词、这不合理

lwx228 · 发表于 2020-4-3 21:24:44

但JMP的DOE还是强项、说高端行业都在用它
https://mp.weixin.qq.com/s/pxFr5jRdvhVuf5NhzHnz9w

喬治兄 · 发表于 2020-4-3 21:26:19

本帖最后由喬治兄于 2020-4-3 21:28 编辑

lwx228 发表于 2020-4-3 21:21
它的词频、不能学习新词语、只认它词库的词、这不合理

一般如何学习新词语......??
学习新词语為何和词频有相關
是透過類似 markov chain 模型嗎

lwx228 · 发表于 2020-4-3 21:26:46

喬治兄发表于 2020-4-3 21:10
為何是鸡肋.....
我只知早期 JMP focus on DOE
其他區塊似乎不是很有特色

大兄用何输入法？
我是用五笔

而且用五笔来输出不同类型的编码
VBA、JSL、python的代码都制作为五笔的词库

[求助] 如何快速进行书籍OCR后的文字校对、我用excel的VBA