# 【已上传】《汉语大词典》2.0 光盘版 软件内提取数据 **URL:** \ **Category:** 技术交流与词典编修\ **Tags:** 词源\ **Created:** [2024 年1 月 19 日 02:18 UTC](https://forum.freemdict.com/t/topic/26220 "2024-01-19T02:18:21Z")\ **Posts on this page:** 20\ **Page:** 3
作者： ![last\_idol](https://forumcdn.freemdict.com/user_avatar/forum.freemdict.com/last_idol/32/2205_2.png) [@last\_idol](https://forum.freemdict.com/u/last_idol)\ 发布日期： [2024 年1 月 23 日 02:44 UTC](https://forum.freemdict.com/t/topic/26220/45 "2024-01-23T02:44:04Z")
HYDC2中的F4和F5，如果是多音字，内部词条的排序是不一样的。 ---
作者： ![last\_idol](https://forumcdn.freemdict.com/user_avatar/forum.freemdict.com/last_idol/32/2205_2.png) [@last\_idol](https://forum.freemdict.com/u/last_idol)\ 发布日期： [2024 年1 月 23 日 02:59 UTC](https://forum.freemdict.com/t/topic/26220/46 "2024-01-23T02:59:21Z")
HYDC3的F10是对应的单字页码，现在应该没用了，HYDC7的F3是图片的说明文字，可能对应的词头全是乱码，也用不了。用 abs 提供的那个在线导出可以直接看，有用的信息还是楼主那几个文件。 ---
作者： ![sxingbai](https://forumcdn.freemdict.com/letter_avatar_proxy/v4/letter/s/919ad9/32.png) [@sxingbai](https://forum.freemdict.com/u/sxingbai)\ 发布日期： [2024 年1 月 23 日 03:12 UTC](https://forum.freemdict.com/t/topic/26220/47 "2024-01-23T03:12:12Z")
空白记录确实都是cjk以外的字，根据上下字条可以查找书上的相应位置去补。但应该远不止一千多，看了一处空白记录，对应的就有三个字：𠪙、𠪡、㕑 ---
作者： ![endnote](https://forumcdn.freemdict.com/letter_avatar_proxy/v4/letter/e/9de0a6/32.png) [@endnote](https://forum.freemdict.com/u/endnote)\ 发布日期： [2024 年1 月 23 日 03:26 UTC](https://forum.freemdict.com/t/topic/26220/48 "2024-01-23T03:26:35Z")
> [@sxingbai](#): > > 应该远不止一千多 这种情况很可能是重复的字符，应该可以批量替换为当下编码（谨慎的话替换之前随机查找几次） ---
作者： ![jcz777](https://forumcdn.freemdict.com/user_avatar/forum.freemdict.com/jcz777/32/60576_2.png) [@jcz777](https://forum.freemdict.com/u/jcz777)\ 发布日期： [2024 年1 月 23 日 04:12 UTC](https://forum.freemdict.com/t/topic/26220/49 "2024-01-23T04:12:29Z")
确定 唡，啢 乱码。 还有这几个字也没找到，或者就在那些私字里面。 ![QQ截图20240123121035](https://forumcdn.freemdict.com/uploads/default/original/3X/1/b/1bf1bd0ce3d9b721ab629443919742b22002e9c0.png) ---
作者： ![sxingbai](https://forumcdn.freemdict.com/letter_avatar_proxy/v4/letter/s/919ad9/32.png) [@sxingbai](https://forum.freemdict.com/u/sxingbai)\ 发布日期： [2024 年1 月 23 日 04:23 UTC](https://forum.freemdict.com/t/topic/26220/50 "2024-01-23T04:23:12Z")
> [@endnote](#): > > 这种情况很可能是重复的字符，应该可以批量替换为当下编码（谨慎的话替换之前随机查找几次） 不太明白老兄说的意思。什么重复字符，什么当下编码？光盘数据中不是空白记录吗？一个空白记录可能对应的是连续的好几个扩展区的字。 ---
作者： ![endnote](https://forumcdn.freemdict.com/letter_avatar_proxy/v4/letter/e/9de0a6/32.png) [@endnote](https://forum.freemdict.com/u/endnote)\ 发布日期： [2024 年1 月 23 日 05:07 UTC](https://forum.freemdict.com/t/topic/26220/51 "2024-01-23T05:07:53Z")
我有的时候碰到文本中有一些特殊编码（下图的E003）的字符、显示为空白 ![image](https://forumcdn.freemdict.com/uploads/default/original/3X/5/1/515d3582cc2cd21b930fd5dae4afeba13c451c31.png) 当然，跟你说的情况不一定相同 ---
作者： ![naosei7dd8](https://forumcdn.freemdict.com/letter_avatar_proxy/v4/letter/n/ecae2f/32.png) [@naosei7dd8](https://forum.freemdict.com/u/naosei7dd8)\ 发布日期： [2024 年1 月 23 日 05:23 UTC](https://forum.freemdict.com/t/topic/26220/52 "2024-01-23T05:23:25Z")
海迪这个我看了一下，有专业团队做反逆向，而且看上去是跟 _商务印书馆_有关系，就不给论坛惹麻烦了 ---
作者： ![last\_idol](https://forumcdn.freemdict.com/user_avatar/forum.freemdict.com/last_idol/32/2205_2.png) [@last\_idol](https://forum.freemdict.com/u/last_idol)\ 发布日期： [2024 年1 月 23 日 06:53 UTC](https://forum.freemdict.com/t/topic/26220/53 "2024-01-23T06:53:48Z")
不知道论坛上哪个版本适合补数据。 ---
作者： ![endnote](https://forumcdn.freemdict.com/letter_avatar_proxy/v4/letter/e/9de0a6/32.png) [@endnote](https://forum.freemdict.com/u/endnote)\ 发布日期： [2024 年1 月 23 日 09:31 UTC](https://forum.freemdict.com/t/topic/26220/54 "2024-01-23T09:31:44Z")
> [@shaoshi](#): > > 你真有兴趣整理，可以利用方正版的文本去增补2.0光盘版mdx(我认为是目前最好的mdx，当然，问题仍然多如牛毛，乱似乱麻)。 @shaoshi 兄认为是这个版本。我不太懂哪个版本改正的数量多、质量高 ---
作者： ![shaoshi](https://forumcdn.freemdict.com/user_avatar/forum.freemdict.com/shaoshi/32/14529_2.png) [@shaoshi](https://forum.freemdict.com/u/shaoshi)\ 发布日期： [2024 年1 月 23 日 09:49 UTC](https://forum.freemdict.com/t/topic/26220/55 "2024-01-23T09:49:46Z")
> [@last\_idol](#): > > 不知道论坛上哪个版本适合补数据。 我认为刚提取的数据补不了哪个版本的数据。即使能补也补不了多少。 因为在之前提取的数据相对齐全。而且原数据本来就有问题，整理mdx的人陆续改了。比如：爱手反裘。(绝对的硬伤错误。) 你有兴趣，可以拿这个数据去和feiwu的《汉语大词典复刻》比较： [feiwu：汉语大词典2.0源数据](https://forum.freemdict.com/t/topic/15998) feiwu根据图像本补了一点新资料。 [《汉语大词典》施工现场11.2](https://forum.freemdict.com/t/topic/16759) 这个有方正版文本。 [汉语大词典光盘版2.0，另附3.0光盤版](https://forum.freemdict.com/t/topic/7883) 这个是光盘+方正+若干来历不明的资料。 你可以拿方正版去补这个2.0mdx。 假如你爱好版本的纯洁性，认为有来历不明的资料不行，那就干脆拿新提取的资料，重新做一个mdx吧。我认为用处不大，但是假如纯粹是做研究，就做看看吧。 假如你愿意对着图像版，拿方正版的文本去补这个新做的mdx，那等于开创了一个新版本，那倒是有价值。但是，三十几万条，你能补多少？价值按你能新补充的资料判断。 想从头来过的人，即使想超越feiwu的《复刻》，恐怕也不是太容易。 ---
作者： ![last\_idol](https://forumcdn.freemdict.com/user_avatar/forum.freemdict.com/last_idol/32/2205_2.png) [@last\_idol](https://forum.freemdict.com/u/last_idol)\ 发布日期： [2024 年1 月 23 日 10:01 UTC](https://forum.freemdict.com/t/topic/26220/56 "2024-01-23T10:01:46Z")
shaoshi兄是专业的，我先试试feiwu的版本，看看难度。 ---
作者： ![shaoshi](https://forumcdn.freemdict.com/user_avatar/forum.freemdict.com/shaoshi/32/14529_2.png) [@shaoshi](https://forum.freemdict.com/u/shaoshi)\ 发布日期： [2024 年1 月 23 日 11:25 UTC](https://forum.freemdict.com/t/topic/26220/57 "2024-01-23T11:25:08Z")
> [@last\_idol](#): > > shaoshi兄是专业的 我是中文专业的，你是技术专业的。你做的mdx在技术上肯定专业。你假如在技术上有创新，即使内容没有太大的突破，还是可以期待的。 2.0光盘版mdx的一个价值是：批量把方正版的一些资料结合在光盘盘mdx中了。但是，或许是技术还不到位，或者是考虑不周全，补的资料不齐全，也造成一些资料错乱。 假如你重走这一条路，因为技术是专业的，也许能创造出一个新的光盘+方正版本，但是没有那些来历不明的资料。那么，这个版本是可以让人拭目以待的。至于内容上假如有疑问，中文专业的人可以帮忙解答。 还有一条路，是把hanny05的《汉语大词典》图像版(我没看到，应该是很清晰的)，用一个专业的网上的ocr程式辨识一遍，再把词头抽出来，和新做的mdx词头相比。那么，又可以增补一些新资料。 ---
作者： ![endnote](https://forumcdn.freemdict.com/letter_avatar_proxy/v4/letter/e/9de0a6/32.png) [@endnote](https://forum.freemdict.com/u/endnote)\ 发布日期： [2024 年1 月 23 日 12:16 UTC](https://forum.freemdict.com/t/topic/26220/58 "2024-01-23T12:16:41Z")
> [@shaoshi](#): > > 假如在技术上有创新，即使内容没有太大的突破，还是可以期待的 如果工作量不大、不赶进度的话，以新文本为基础，应该可以得到一个更可靠的版本： 一个是私有区字符，根据现有的MDX修订； 一个是补上方正版增加的词条； 一个是可以去掉HTML标签后、与现有MDX（如feiwu的《复刻》）作粗略的文本比对，改掉“爱手反裘”这种明显（主观判断）硬伤错误，没有把握的一律不改。 对于个人来说，对着图像版、去做“订正”之类的不太现实，只能是文字专业人士出手。 ---
作者： ![W2K](https://forumcdn.freemdict.com/user_avatar/forum.freemdict.com/w2k/32/5_2.png) [@W2K](https://forum.freemdict.com/u/W2K)\ 发布日期： [2024 年1 月 23 日 12:43 UTC](https://forum.freemdict.com/t/topic/26220/59 "2024-01-23T12:43:44Z")
> [@endnote](#): > > 对着图像版、去做“订正”之类的不太现实 掐指一算还是此大笨法最现实 😂 ---
作者： ![sxingbai](https://forumcdn.freemdict.com/letter_avatar_proxy/v4/letter/s/919ad9/32.png) [@sxingbai](https://forum.freemdict.com/u/sxingbai)\ 发布日期： [2024 年1 月 23 日 13:24 UTC](https://forum.freemdict.com/t/topic/26220/60 "2024-01-23T13:24:41Z")
> [@shaoshi](#): > > 还有一条路，是把hanny05的《汉语大词典》图像版(我没看到，应该是很清晰的) 也没见过，目前没见很清晰的。当初不看重图像版，没把方正的图像都撸下来，唉 ---
作者： ![shaoshi](https://forumcdn.freemdict.com/user_avatar/forum.freemdict.com/shaoshi/32/14529_2.png) [@shaoshi](https://forum.freemdict.com/u/shaoshi)\ 发布日期： [2024 年1 月 23 日 13:35 UTC](https://forum.freemdict.com/t/topic/26220/61 "2024-01-23T13:35:36Z")
我还以为你有。不过紫雪蓝海的清晰版也还好，一般上辨识度不是太差。 我实际上做了全书的ocr，只是没把词头抽出来。 因为单字没有【】,所以考虑单字加【】再抽。但是真的太耗时间了。 图像版词头的重出词头倒是校改完了，用字严格遵循图像了，不过最后整理还会再花许多时间。 ---
作者： ![naosei7dd8](https://forumcdn.freemdict.com/letter_avatar_proxy/v4/letter/n/ecae2f/32.png) [@naosei7dd8](https://forum.freemdict.com/u/naosei7dd8)\ 发布日期： [2024 年1 月 24 日 01:35 UTC](https://forum.freemdict.com/t/topic/26220/62 "2024-01-24T01:35:49Z")
在精度要求高的地方不要相信OCR，在有些位置的OCR识别很让人抓狂 不过好像没别的办法了，纸质版能批量录入信息也就这种办法，到最后也得从头到尾的核对 ---
作者： ![shaoshi](https://forumcdn.freemdict.com/user_avatar/forum.freemdict.com/shaoshi/32/14529_2.png) [@shaoshi](https://forum.freemdict.com/u/shaoshi)\ 发布日期： [2024 年1 月 24 日 01:50 UTC](https://forum.freemdict.com/t/topic/26220/63 "2024-01-24T01:50:56Z")
> [@naosei7dd8](#): > > 在精度要求高的地方不要相信OCR 没有人相信ocr。ocr资料主要是用来定位资料在图像中的位置，用ocr资料找到图像，再对照图像。随用随改。 ocr的词头可能可以用来辅助检查词典的词头。 ---
作者： ![last\_idol](https://forumcdn.freemdict.com/user_avatar/forum.freemdict.com/last_idol/32/2205_2.png) [@last\_idol](https://forum.freemdict.com/u/last_idol)\ 发布日期： [2024 年1 月 24 日 04:03 UTC](https://forum.freemdict.com/t/topic/26220/64 "2024-01-24T04:03:25Z")
楼主提取的数据文本标签齐全，跳转也完整，是很好的底本。缺失的数据会用feiwu的复刻版补充，类似爱毛反裘这种已经修改的文本，数据整理完后，可以通过代码筛选出来，现在还不知道有多少，少量可以自己改（\<2000），需要比对扫描版，如果太多就没办法了。 [上一页](https://forum.freemdict.com/t/topic/26220.md?page=2) [下一页](https://forum.freemdict.com/t/topic/26220.md?page=4)