校对过程中发现原词典也有少量文字讹误，多处把“脉搏”写成“脉博”，“最后通牒”成了“通谍”，像这里（见P1101）的lamproie，当为“无颌纲,圆口目;最长为1米”，在书中印成了“无颚纲,圆目;最长为1 米”，无论译者还是编辑，稍微有点动物学常识，就会知道它们是错的。
2 个赞
之前的工具已经替换成了正确版本，我其实一直想把这个改成更通用的，比如支持excel还有主流文档格式，包括pdf，docx和txt这些，如果用pandas甚至数据库什么的也能支持。不过都要配置参数才能用，因为txt没有明显分页的，只能指定分页符或者行对齐。
修改了200多处括号问题，现在还有700多处，另外现在还有50多页不能和图片匹配。 我研究下怎么重构下校对工具直接在txt上改可能有错的地方。
2 个赞
（帖子已被作者删除）
词典中的音标有很多错误，因此抓取、提取了拉鲁斯官网和1995法文版拉鲁斯词典的音标数据，对它们进行了批量替换。
拉鲁斯官网的数据质量实际也不咋样，比如εɛ，œɶ不区分，ʀ写成r，还有少量彻底的错乱，我初步做了检查和清洗。
下面是替换音标使用的script：
def load_pronunciation(file):
"""
从文件中加载单词到音标的映射
"""
mapping = {}
with open(file, 'r', encoding='utf-8') as f:
for line in f:
line = line.strip()
if not line or " [" not in line:
continue
# 使用 " [" 进行分割
parts = line.split(" [", maxsplit=1)
if len(parts) == 2:
word = parts[0]
phon_part = parts[1]
# 查找第一个闭合方括号的位置
end_bracket_pos = phon_part.find(']')
if end_bracket_pos == -1:
continue # 如果没有找到 ']'，说明格式有问题，跳过此行
# 只截取到第一个 ']' 之前的内容作为音标
phon = phon_part[:end_bracket_pos]
mapping[word.rstrip(",")] = phon
return mapping
# --- 程序开始 ---
# 1. 初始化计数器
count_from_2 = 0
count_from_3 = 0
# 加载音标库
print("正在加载音标库...")
phon2 = load_pronunciation("2.txt")
phon3 = load_pronunciation("3.txt")
print("音标库加载完成。")
# 处理主文件，并同时打开日志文件
print("正在处理文件 1.txt...")
with open("1.txt", "r", encoding="utf-8") as f, \
open("1_fixed_04.txt", "w", encoding="utf-8") as out, \
open("replacement_log.txt", "w", encoding="utf-8") as log_file:
# 写入日志文件标题
log_file.write("音标替换日志\n")
log_file.write("="*30 + "\n")
for line in f:
# 在主处理逻辑中，只处理正文部分，简单通过特征判断
# 这里假设词条行总是以字母开头，且包含 "[音标]" 格式
head = line[:45] # 截取每行文字的前45个字符，以防误改
if head.strip() and " [" in head:
parts = head.split(" [", maxsplit=1)
if len(parts) == 2:
word = parts[0]
old_phon_part = parts[1]
end_bracket_pos = old_phon_part.find(']')
if end_bracket_pos != -1:
old_phon = old_phon_part[:end_bracket_pos]
# 查找新音标
new_phon = old_phon
source_file = None
# 优先从 phon2 查找，如果找不到再查 phon3；排除2当中某些不合体例的音标
if word in phon2 and phon2[word] != old_phon and ',' not in phon2[word] and not '(' in phon2[word]:
new_phon = phon2[word]
source_file = "2.txt"
count_from_2 += 1
elif word in phon3 and phon3[word] != old_phon:
new_phon = phon3[word]
source_file = "3.txt"
count_from_3 += 1
# 只有当音标确实有差别时，才进行替换和记录
if source_file:
log_entry = f"{word}: [{old_phon}] → [{new_phon}]〈{source_file}〉\n"
log_file.write(log_entry)
old_phon_with_brackets = f"[{old_phon}]"
new_phon_with_brackets = f"[{new_phon}]"
fixed_head = head.replace(old_phon_with_brackets, new_phon_with_brackets, 1)
line = fixed_head + line[len(head):]
out.write(line)
# --- 打印最终统计结果 ---
total_replacements = count_from_2 + count_from_3
print("\n--- 处理完成 ---")
print(f"总共替换了 {total_replacements} 个音标。")
print(f" - 从 2.txt 替换: {count_from_2} 个")
print(f" - 从 3.txt 替换: {count_from_3} 个")
print("修改后的文件已保存为 1_fixed.txt。")
print("替换记录已保存到 replacement_log.txt 文件中。")
这里1.txt是原始文件，2是拉鲁斯官网抓取的音标（做过一些修正和删除清洗），3为从法文版拉鲁斯词典里提取的音标。虽然最后的结果未必全部正确，可以大大减少音标部分内容人工校正的工作量。
输出结果为：
总共替换了 22793 个音标。
- 从 2.txt 替换: 16525 个
- 从 3.txt 替换: 6268 个
2 个赞
在处理音标的同时，使用不同OCR来源文本对校的办法，从头到尾核查校订了词典的中文文本，不能夸口说这样就消灭了错误，但可以把错误率控制在较低的水平。
法文文本部分可以对校，也可以使用拼写检查工具，或者用ai来处理，实验之后再确定哪种办法比较便捷理想。
中法文的标点是比较难处理的，图像模糊，原书标点经常人眼都看不清，我发现某些译者在该使用什么标点时本身也是糊涂的，本词典的体例应该是中文译文短语不加标点，完整的句子则加句号，但好像有部分页面则完全不遵守，短语也加上了句号。
1995年版法文拉鲁斯词典（仅正文部分），Gemini 2.5 Pro 识别、OCR。
1 个赞
整了一个初步的简易语法，是基于python的语法分析库lark的。可以用来查错（不过前提是语法能覆盖所有情况，还需要再完善），也可以直接解析出结构便于加标签。
可以用在线IDE测试：
随机选了一页测试（238页），这里有报错，说明格式不对，这就查出来这里◆应该替换为❹
改正后会有解析结果
这是所用的语法，基本就是EBNF
9-14最新版本的语法文件
larousse_grammar.txt (2.6 KB)
3 个赞
这个不错，很简洁，整页对比也不用处理切分对齐问题了，是用python自带gui库Tkinter的吧。
对，是tkinter实现的UI，你用的nicegui我还没用过，不熟悉。它也实现了初步的过滤功能，可以用正则忽略某些自己还不想比较的字符。
在单词层级比较的一大问题是预处理麻烦，有些单词错误合并在一起，有些一个单词分成了两项。在拉鲁斯法汉双解词典里，我发现还有连续若干单词被原纸本书遗漏了的情况。在页面层级比较，就没这么多烦心事了，不过它可能更适合单页文字少字体大的状况，一个页面里一眼全能看清楚。
nicegui是基于网页那套的，优点是样式什么的比较容易调整，缺点是底层实现比较复杂，而且受浏览器限制。字符过滤我其实写了一个，是用SequenceMatcher的结果后处理的，效果一般，不知道你是怎么实现的。 我觉得要文本化肯定最终要到单词层面处理的，不过单词层面就不适合直接比较txt文件了，各种跨页问题很容易在保存时出错，拉鲁斯里面faire这个词跨了3页。
用新工具校对了一下发现原书错误真不少。
现在支持正则替换作为规则了，写了个严格验证缩略词的规则，发现不少问题
原文就有好多地方都不一致，神话好几个地方标注的〔神化〕
还有1354页第2条有22个释义，但是黑圆圈21以后没有unicode编码了，所以先用普通圆圈代替了。
现在括号匹配错误还有500多处
1 个赞
双解版、法文版的原书都有错误，比如只有一个释义项也使用❶ / -1.符号，无错不成书，文字量太大，几百万，偶尔出现这种编校失误在所难免。
目前词条对比完成：
当前双解版词条数34777
法文版词条数34779
法文版和双解版都有问题
法文版缺以下词条
- bille
- blanc
中文版缺以下词条
vacillement
vaciller
vacuité
vacuole
此外法文版和中文版这两个词条fourrager和mien都有两个释义，但是没有加编号区分。
2 个赞
中文版词典自身遗漏缺失词条，我在以前就发现了，贴在 github 的issue里， 我想可以先把它在双解版里补上，对应的中文翻译后面手工添加。 词典原书错误举例 · Issue #6 · mahavivo/larousse · GitHub
校对工具大更新，支持候选文本用不同的key查找，支持过滤字符比较，可以对比中文和法文，应用变化和替换文本分开。上方可以自定义各种字段跳转（比如拉鲁斯可以跳转到指定页page，指定页指定条目id，指定条目_index和指定单词headword。
3 个赞
相应的切图图片在github上吗？