这个软件有办法解决上面我说的那个问题吗？
1 个赞
如果OCR的时候每一页的内容可以保存到单独的一个文件，那这个问题就可以解决。把左边的PDF OCR后的结果放在一个文件夹里（就是一堆文件），右边的结果在另一个文件夹里，然后用程序在两个文件夹里分别依次取文件。
对比了下还是原PDF的识别效果更好， 包括一些易错字母，长短连字符，分号等准确度相对更高。
长短连字符识别准确感觉挺重要的， 短连字符用于换行，方便用正则处理掉，避免mdx里单词被切成两行。
也许可考虑先用ComicEnhancerPro之类的增强下图像，再做OCR效果能更好点。
这个也能做到左右切页，然后重命名
1 个赞
ABBY 按行左右切分，有的页面文字给切残了。这个笨办法行不通。
ABBYY有个重新排序功能， 可以将识别出来的区域按从左到右， 从上到下的方式排序， 再识别文字。 不过似乎只能用于当前页， 不知道是否能批量操作。 重新排序后，识别出来的文字就没了之前的问题了。
菜单里有绘制区域，区域模板保存、加载功能，不知能否用于批量处理。
能批量。英文书ocr 还是首选ABBYY。跨行-隔开的单词、段落合并等等处理比其他软件好。
我的需求是，识别结果能保留斜体格式。不喜欢docx 格式，因为后续不好加工。希望是保留斜体格式的md文件，但没看到这种软件
发现ABBYY功能挺强的，pdf识别可以纯OCR、在OCR和pdf文字间自动判断、只使用pdf文字，OCR可以训练识别新字符和连字，训练时可以手动指示是粗体、斜体、上下标等。输出html时也可以保留斜体、粗体等格式。
尝试训练后识别， 基本无错， 包括连字。
2 个赞
Syn Finder (1978) 處在網路之前的時代，“wireless” 還指 “radio” 呢。 (“radio” 詞條）
其中一個詞頭是 “xerox” — 想想當時…公司做得很大，現在被淘汰了，很少人說“xerox”表示“copy”。光出現在釋文就應該表是“Obsolete”了，何況當做單獨一個詞頭。
但老東西也有價值，Syn Finder 存了很多“Literary”書面語，拉丁語，外來語，看學術或文學會常見到的東西。
也有些因為遙遠而覺得古怪的，例如 “mister” 詞條，其中一個同義詞是“Hindustani: sahib.”
據OED: “sahib: A respectful title used by the natives of India in addressing an Englishman or other European (= equals ‘Sir’); in native use, an Englishman, a European.” 也就是說，是英帝國主義的古董。
牛津“更新”的字典，例如ODE，只不過不好意思說這個詞的背景，只說是“(in India) a polite form of address”（哈哈，既然是印度用語，為什麼英文字典要收？），等於是掩蓋這個歷史。這種“更新”不算是進步。
3 个赞
可以看看效果—總共有43,000的詞，自己沒有詞頭，只出現在釋文中。
都分配了跳轉；免得搜尋結果繁雜，限制每個詞 只跳一個地方。其實，大多數的 在很多不同詞條裡出現。
43,000 links SynF.zip (400.4 KB)
2 个赞
谢谢分享！大神可否把word finder也转成mdx？
謝謝您，但不太理解等號後面的數字，是相關度嗎？還是頻數呢？可否指點迷津…謝謝啦！
| abduce | @retract | =00.03 |
|---|---|---|
| abeam | @aside | =01.03 |
| abecedarian | @probationer | =00.03 |
| abecedarium | @schoolbook | =00.04 |
| abecedary | @manual | =00.07 |
| abed | @supine | =01.07 |
| Abendmusik | @nocturne | =00.04 |
| aberrance | @anomaly | =01.03 |
| aberrancy | @anomaly | =01.04 |
| aberrantly | @erratically | =02.15 |
| abetment | @backing | =01.03 |
奇数和偶数页使用不同的切分位置，是否能做到不残？ 真希望有个自动内容识别进行页面定位的功能，页面不能完全对齐，处理起来确实比较头大。
號碼是為了處理duplicate。例如，"abduce"出現在三個詞條 ------ 怎麼判斷應當跳到哪個詞條？
abduce@retract=00（這個"retract"的釋文不分號碼）
abduce@withdraw=01（"withdraw"的第一個釋文組）
abduce@abduct=03（"abduct"的第三釋文組）
理論上，出現在第一個釋文組就最接近詞目的本義。按這個原則，"abduce"最接近"retract"或"withdraw"的本義；第三個選擇可以排除。應當選“abduce@retract=0”（不分號的釋文組沒有意義的分歧，所以 0 勝於 1）。所有43,000詞是這樣分配跳轉目的地。
做法很簡單，先排好每行三欄，再Delete Duplicates，條件限制於第一欄，就會刪掉下面兩行了，留下abduce@retract=0。
第二個號碼，是釋文系列中的排次位置（不算有詞頭的詞）。“abduce@retract=00.03”就是釋文中的第三位置。一樣的道理：排在前面的應當更接近詞目的本義。
3 个赞
Mastameta 兄，對於Thesaurus有相當的研究呀，厲害了，對於用@@@LINK這個方式來跳轉雖然方便但卻有些許的不足，只知道用 a href 來跳轉會好些，但也感覺不是很好，也一直沒有更佳的處理法，這是一本很好的 thesaurus 但若排版因素導至查尋功能，或顯示的方式不足，往往打折一本很好的素材，但這卻又往往令人頗費心思，因除了美觀外，功能上提升的背後是跟隨著一大堆的處理
1 个赞
@@@LINK 跳轉讓使用者找到相關的詞條。然後，釋文中的同義詞，如果是詞頭（本身有詞條），就會帶 href="entry://… 的連接。
跳轉與連接，互相補充作用。雖然限制於MDX的功能，我覺得這樣也夠了。
1 个赞
經仁兄點撥，似乎觸發了新的不同的想法，或許是可行的方案，只是檔案會變大許多，但效果是否能如預期所想的則需實現後感覺才能得知，謝謝啦！