你可以看看 epwing 文档，二进制标签编号有对应的 html 标签。至于外字，找出来统一替换就行了。
外字有800多个，都是生僻字，麻烦在这里。
我之前让ai识别效果也不好
这个工具倒是内置了转换表，是每个字典单独实现的，但新明解这本词典转换工具只处理了4个字。
所以现在只能换思路，先写程序用和他人转换了不带格式版本的对比得到外字表，再用工具转换带格式html，再写程序替换外字。
不能只识别扫描版的汉字部分然后插入现有的日文版里面吗？
肯定是只能全识别，然后要对齐词条才能自动插入。
我又来了。我仔细研究了一下日文版和日汉ocr识别版。在词条内容完全对着上的前提下，是不是可以用一种比较简单的方法去实现日汉双解的内容。比如说不破坏日文原版的情况下，把汉语部分完全放在词条日语内容的后面。
我看到日汉版，在词条的第一个例句前有“例”，然后日文例句之后有个"/"后面接中文。可以把从例到/之前的日语部分删除，仅保留例句的汉语翻译部分。这样处理之后，每个词条的日汉词典部分只剩中文的解释和中文的例句翻译。这整个部分放在日文原版词典后面，也可以起到双解的目的。不需要将每个词条的汉语解释和例句翻译插到对应的位置。处理起来就会容易很多。
其实直接插入也不是很难，这个问题我已经研究过了
不过更好的方法还是语法分析然后插入
楼主有没有兴趣ocr一下这个词典，目前只有图片版
我最近就在整理日语词典，这个以后会ocr的。
1 个赞
补充paddleocr识别文本：
新明解日汉_paddleocr.7z (13.2 MB)
1 个赞
epwin 第五版 版权信息：
タイトル 新明解国語辞典 第五版
出版社 株式会社 三省堂
著作権 株式会社 三省堂
这个版本如何？如果行，可尝试无缝转换。
我现在已经和mdx对比提取了部分外字，然后又从epwing提取了一个带有标签的版本，还没整合完，感觉epwing没有好的提取工具，现在的提取工具对标签，链接，图片什么的支持都不好。
1 个赞
尝试复刻自epwing：
这个版本的链接有点乱，显示文字是平假名、片假名、汉字混用，一些目标词条是平假名的，用片假名描述。由于链接不能直接使用，要根据描述文字恢复，现只检查了无效链接，保证链接都是有效的；至于链接到片假名的平假名词条暂时没处理。
链接: 百度网盘 请输入提取码
3 个赞
这个效果不错啊，用什么工具转换的？我之前让ai按文档写了一个，结果发现有不少文档没说明的情况还要自己改。
从 ebdump 得到 shift-jis 代码，自己转成 明文，结合 html 修改标签。刚刚回顾一下，发现链接也可以完美复制。过几天再完善一下链接这个小问题。
哦，这个方法不错，可以省不少事，不过ebdump在现代系统要用locale转换工具才能正常打开，另外外字和图片要单独转换吧。
外字代码和图片代码是一一对应的。走捷径，词头外字才转文字，正文中的外字（词头之外的）就跳过了。
1 个赞
从epwing词库转换的文本中提取链接地址，已按跳转地址更新所有链接。楼主志在日汉双解，可研究插入中文文本。
2 个赞
你按偏移量设置词头和元素ID了？我感觉好麻烦，epwing的链接mdx没法用。。
根本原因是epwing的标签太自由了，标签的显示效果都是出版社自家程序（光盘附带程序壳的有好几种，我都没统计）实现（logovista也有不少自定义的），ebwin显示效果也就勉勉强强。ebwin的作者hishida自己都没全部弄清楚，你指望写第三方库的做多好。
ebdump这个软件也很难用，我都想重新写一个了。
所有元素完美保留，原汤原味。ebstudio 文档有详细解释。