我看那個PDF，印象是有點麻煩。跨行的詞有破折號，例如 “a—larmingly”，“foul—ly”。
也許可以硬硬得把所有的破折號先刪掉，然後用大大的詞單把該有"—”的詞補回破折號，但這也不十分安全。而且，大大詞單從哪裡來…
OCR時，一定要保持每欄的寬度和換行位置（相對於輸出流動文字） — 這樣才能知道哪些破折號適合刪掉。
这个pdf里的破折号分长短两种，长的应该是替代符，短的是连字符。 连字符的使用本身是规范的， 不过扫描图像的质量不太高，背面的字符也时有透过，导致有长符可能识别为短符，短符可能识别为空等问题。
试过ABBYY的训练模式，同时使用灵活排版输出为html，不保留换行、连字符，可以在输出结果里自动去掉很多连字符。但还是难以完美。还有跨栏、跨页的连字符，就更难处理些。
2 个赞
Acrobat Pro，PDF 輸出於 text 有兩個選擇：
“Text (Plain)”，文字是靈活排的；
“Text (Accessible)”，保持換行的格式。
ABBY沒有保持格式的選擇啊？（我很久沒裝ABBY了。）
1 个赞
最好輸出兩個版本，一個保留格式，一個是流動的。
也許用流動版當底本，用格式版來spell check換行的詞。
word finder pp1-2.txt (6.8 KB)
我試用Acrobat輸出頭兩頁，發現它自動把換行的“idola-trous”改成"idolatrous"; “dra-matically"改成"dramatically.” 這樣，表面上很好，可是該有hyphen的，大概也同時被刪掉了。
SynFinder epub 原來也是經過這種程序，結果不該刪的也刪了。
连字符两端都有单词或字母，替换符一端是单词，一端是标点符号。应该有办法分开的。至于换行的连字符，即使保留也不影响阅读吧。
这软件从4.0版开始就有自学习功能。
2 个赞
可以连原材料的回车换行都一样。要和原材料完全一样排版保存为word可能更好，跟利于校对。
1 个赞
ABBYY Finereader有自动合并被连字符分开的单词的功能，可以自己试试。
不是大事 但數據夠大的話 也有不少讓人疑惑或愣一下的地方。尤其是詞類變了 例如 put-down (名詞，羞辱人的話）寫成 put down (動詞，壓制）；make-up（化妝；結構）寫成make up（編造；補償）；come-on 跟 come on。這都是常用詞，而且只提起verb + preposition的狀況，若碰到生詞 就更希望文本是可靠的。
abbyy一般只处理换行的连字符。put-down这样的单词正好处于换行处，概率次数应该很少。所以，出于减少校对工作量的考虑，利远大于弊
有人能花时间精力搞出一稿mdx就已经要谢天谢地了，还没到追求完美的时候
結果word finder 掃描得如何？我可以作這個 但懶得折騰OCR 的過程。
哇！沒有弄呀！，這幾天都沒什心情搞辭典，每天心情都忐忑不安，深怕中標，這兩天，每天200–300個中標，前兩個星期才去按兩下，這幾天一直胸悶，肚子怪怪的，感到非常害怕，怕是難逃這波的…
去买点硫酸羟氯喹和盐酸溴已新可以治疗，硫酸羟氯喹和硫酸锌也可以。
Brother Wang ，台灣哪有這個…，前兩天還接到越南妹的訊息，要來陪我幾天…嚇得我都不敢回…，這幾天已累計上千了…隨便看到黑影就會尿血的…
台湾当然有这药，不过去年台湾硫酸羟氯喹药厂发生火灾也不知道爆炸的，也不知道后来如何了。这药真有效，很常见。
今天也一間藥廠火災…危在旦夕…
跟印度疫苗厂火灾一个原因，地球人都知道为什么。硫酸羟氯喹原来是治疟疾的，盐酸溴已新是治疗哮喘的。都是常见药
是喔！更恐怖的是 那些萬華的 阿公店內的阿姨們還到處亂串…怕是火會越燒越旺
去买个防毒面具，要么随身带消毒液，遇到有人的时候就喷一下