感谢[dooperdoo]的发现，当前文字版字条加词条共106427，与前言中介绍的总数106856相差429。这几天一直期待有高人能够补上，但每次都失望而去。
429对于修补来说不算个大数字，只是得先有缺失词条表（这个佛兄在做图像版时本来应该有完整词条表，可惜合并了同形词条，如果保留有原始数据，现在两相比较一下就行了；否则就得重新ocr，提取词头进行比对）。
不知大家有没有更好的办法。
多谢佛兄！但看了下，这个索引有点价值，但不大。重复的词条有2305，远高于缺失的429，要命的是有一些该重复的没有重复，如“行行”。
不知佛兄还保存有原始的ocr数据没有？如有，希望能发一份。辞源的pdf有2g多，从百度云下载又太慢，还得再ocr，实在太麻烦了。
這個文字版，有些地方不規範，例如出現 “歎词”、“量词” 的簡體字（看“喲”和“颩”字條），雖然印刷版沒有簡體字的釋義。很奇怪。
“㠑嵬”詞條，漏掉了 closing quote：
南都賦：“其山則崆㟅嶱嵑，嵣㟐嶚剌，岝㟯㠑嵬，嶔巇屹𡿖。又 漢 王文考…
應當是：…嶔巇屹𡿖。” 又 漢 王文考…
這種問題，讓我對這個文字版的來源覺得很疑惑。看來他不是來自出版社的數據。可是它也不是OCR，要不然會有很多錯字。
辭源的印刷版，據我所看到的，不會出現這種瑕玷。（不像漢語大字典的文字版，有不少毛病我發現印刷版居然也有。例如“杓”字條的釋義，排成“1, 2, 3, 3, 4” — 重複了“3”。又經常不分辨 ‘ ’ 和 “ ” 的兩種引文符號，用法不規範，甚至蠻亂。有的的地方根本看不懂引文在哪裡結束。）
还有一点，不同词典软件对Entry 和 headword的定义不尽相同，辞源自身的定义也要留心一下
这个数据我推测应该来自于网络版或usb版，应该还是较为可靠的。至于其中的一些错误应该是文本化过程的疏漏。
现在主要问题还是缺少的那些词条。我用了几天的时间才从网盘上把pdf下载下来，之后尝试一下ocr看能否把缺失部分比对出来。
如果是網路版，我很好奇它原來的專名和書名有沒有underline。如果有人用了 web crawler 去抓，有可能漏掉了那些 styling 嗎?
不是网络版 网络现在非常非常难弄下来。
办法是有，成本也会很高的。（40*25 最少吧，反爬太厉害了）
网络版爬下来的话，原网页长什么样，爬下来就是什么样。
唉，只查得三百多点。
I’m going to write in English because it’s easier for me to talk about this stuff in English.
A. from the body text (entry articles), I pulled all the phrases with subscript numbers in quotation marks.
B. from the ‘h3’ header tag, I pulled all the phrases with subscript numbers.
Below are the phrases that are not duplicates, including “Xn Yn”, but excluding “X Yn”. Total: 139.
So, these should be all the the phrases missing from the 文字版 (unless there’s a phrase with subscripted numbers that is NOT mentioned anywhere in the 文字版 dictionary explanations but actually exists as an entry in the print edition)：
丁₂丁₂、上₂賓、上₂頭、中₂山、任₂子、作₃興、促₂促₂、倒₂戈、傳₂尸、先₂天、凍₂雨、勺₂藥、卓₂子、厭₂塞、厭₅厭₅、參₄伍、古₂老、吾₃子、呀₂呀₂、咽₅咽₅、唶₃唶₃、唶₄唶₄、啑₂血、喳₂喳₂、嘎₂嘎₂、嘲₂𠹗、嘽₄咺、囂₂囂₂、囂₂然、填₂填₂、壘₃石、壙₂埌、壹₂鬱、大₂王、大₃一、大₃師、大₃王、大₃皇、央₂央₂、嬛₂嬛₂、將₃將₃、尉₂頭、少₂廣、尚₂儀、差₄池、幢₃幢₃、平₂平₂、平₂章、從₅容、從₆從₆、忐₂忑、忳₂忳₂、忳₃忳₃、怫₂㥜、憲₂憲₂、扁₄舟、折₃折₃、抹₃布、招₃摇、振₂振₂、捷₂捷₂、提₃提₃、握₂手、攪₂搜、施₄政、施₄舍、昭₄昭₄、晻₃晻₃、朅₂來、格₃格₃、梵₂梵₂、榜₃子、樂₂成、正₂朔、每₂每₂、沈₅沈₅、沌₂沌₂、泜₃水、洋₃洋₃、洗₂馬、洸₂洸₂、浟₂浟₂、淠₃淠₃、淡₃淡₃、淫₃水、混₂混₂、淺₂淺₂、渢₂渢₂、渾₄渾₄、湝₂湝₂、溰₂溰₂、漎₂漎₂、漸₂漸₂、漸₃漸₃、潢₄潢₄、濡₂水、濡₃水、瀼₄瀼₄、灌₂灌₂、炎₃炎₃、番₄番₄、當₂日、疑₃滯、發₂發₂、皇₂皇₂、磷₂磷₂、累₂重、縱₂橫、纚₂纚₂、翁₂翁₂、職₂人、脱₃脱₃、若₂干、葭₂萌、蟫₂蟫₂、行₄行₄、規₂規₂、角₄角₄、解₃交、言₂言₂、賈₃逵₁、趣₂向、跁₂跒、躍₂躍₂、轉₂圜、迤₃迤₃、適₃人、遴₂柬、遺₂遺₂、酇₃縣、閬₂苑、陶₃陶₃、霅₄霅₄、青₂青₂、顛₂顛₂、骯₂髒、鳥₃庭、龐₂龐₂、㒔₂㑛
1 个赞
多谢！请问这些词条你是怎么得来的？应该远远不够。我前几天用ocr文字版比对出来300多条，现已手动补入100条。但因为识别率的问题，遗漏的还不少，应该还有100多条。想要完美，还是得人工把词典过一遍。
2 个赞
缺的词已经发给原提取人了，他空了会再提取，所以sxingbai 兄不用辛苦OCR了
2 个赞
那太好了，多谢！静候佳音了。
講這些技術的話題，我覺得用中文說不清楚。
詞條是怎麼來的…辭源數據裡的釋文 本身提到一堆多音詞，例如“參考‘某某詞’”；“見‘某某詞’”。我把這些又夾在引號裡、又帶subscript ₁₂₃₄₅₆₇₈₉的詞頭都抓出來（這是UltraEdit軟體的一個功能），然後跟數據裡夾在 “h3" tag 的詞頭 比對一下（用Excel的刪掉重複行的功能）。如果重複，說明數據已經有這些詞條了。最後剩下139詞。
當然，辭源印刷版的所有詞頭，只有一部分在釋文裡提到。我的詞表只包括這部分。
你說起碼缺300多條，真是嚇人啊。
好極了！請問，專名詞的 underline 樣式，原提取人有辦法抓嗎？大家很渴望這個，除了補上闕文以外。