这本应该是目前最新的俄汉大型词典了，我也是用了很长时间才ocr完成，然后已经进行过缺页和对比检查。 本词典也有残缺的xml数据，进行对比合并后应该可以制作mdx。
新时代大俄汉词典_gemini.zip (9.8 MB)
新时代大俄汉词典_quark.docx (16.4 MB)
3 Likes
感谢楼主！请问能分享一下词典OCR的工作流吗？
我现在是先分割pdf，然后调用gemini api或者cli来分部分ocr（api现在pro模型不免费了，ocr词典一本要几十刀，不值得），然后检查缺页合并。如果要检查幻觉，还需要额外步骤，就是也用夸克转换word功能处理一遍，如果过大也需要切分然后合并，然后docx转换为分页的txt，和gemini数据进行逐页对比计算相似度，相似度低于某个值也和缺页一样补数据，有时候要补好几次才正常。其中分割合并还有查错我都写了脚本，但具体怎么分割，写提示词，然后数据页码对应之类的问题都需要人工检查。
1 Like
请问有现成的提示词和脚本吗？
幻觉严重吗？是否已修正？
前期拆分pdf和后期检查的脚本：
split_pdf.py (4.5 KB)
ocr_result_check.py (7.1 KB)
提示词每个都不同，我现在是切分词典到pdf目录，然后安装gemini cli，然后直接用命令行处理的：
for /L %%i in (1 1 116) do (
gemini “这是一本俄语词典中的内容，希望识别全部文本，每个词条识别为一行，也就是原书单词每个词条因为版面限制换行的地方输出时不换行，每个单词输出完后空一行。注意以下几点：每一页有页眉，表示起止单词，中间是表示页码的阿拉伯数字，把页码作为分页符放入尖括号<>中，忽略起止单词，在每页开始时候输出，若没有页码则输出<?>。词典分为两栏，需要按从左到右顺序识别，最左栏开头不是词头而是接着上一页的情况下原样输出，不能忽略这部分，左栏和右栏之间如果是同一个词条则需要合并。每个词条词头和一些其他部分是粗体表示的，用markdown形式**输出。词典中不同释义序号由黑色的❶❷❸表示，序号很重要，要正确输出，不能替换为其他符号。要尽可能多输出内容，需要识别pdf全部内容，不可在中途停止，也不可输出原文没有的内容。注意要直接输出文本，不可调用write_file之类的工具，也不要写代码处理。 @./pdf/新时代大俄汉词典_%%i.pdf” -m gemini-2.5-pro > “./txt/新时代大俄汉词典_%%i.txt”
)
1 Like
这个幻觉不严重，是修复了的。
好的。辛苦了。
上线了一个网站： 环俄网俄语词典
1 Like