[文本]汉语成语源流大辞典修订版2023

TL;DR - 需要暖心大佬再提供1~2个《汉语成语源流大辞典》的相对比较高质量的OCR文本。


使用 wynick27 分享的 paddleocr 版本为基础,使用 【筹划】汉语成语源流大辞典 修订版 文字版+精准图片版 - #61,来自 天下一堂 中的MDX进行校对。

这本词典里字、词、人物、典故、引用等等太多太偏,尝试了一下AI,基本上是不堪用的。

最终采取的是逐字、逐个标点对比,针对所有不同之处进行人工校对。

校对过程中发现同一个汉字,存在两个OCR版本同时识别错误,且错字也一样的情况。针对这一点,单靠人眼瞅是不太现实,只能期待有热心人分享新的OCR文本。

所以我们的计划是多个OCR比对,毕其功于一役,接受存在漏网之鱼的情况。。。。

当前进度:

600万字正文校对慢慢接近尾声,修复的错误数量应该已经超过15000处,生僻字全部补足、修正。原书中自带的缺字,根据最新中华书局、识典古籍和其他出版物,尽量补足。

有了新的OCR文本后,校对估计还要1-2个月的时间,会在论坛分享最终版本。当然如果没人响应,就不准备分享了。


人工校对的啊,不错,我其实后来识别了几个版本,不过并没有优先做这本。其实中文夸克更准一些,如果需要我可以再用夸克识别一下

hycyyl_mineru.7z (7.6 MB)

通过网盘分享的文件:hycyyl_chrome_lens.7z
链接: 百度网盘 请输入提取码 提取码: 1234

我现在还在测试一个校对工具新功能,就是能让普通文本直接对比mdx,还有词头模式:

这个主题排版的搭配很漂亮啊,OCR校对辛苦!

感谢,现在文本应该够了,否则文本太多工作量就又大了 :sweat_smile:

这个是不必要的

爱的电力不足,到此为止,不知道是否有人愿意接力。

当前论坛有分享两个文字版,一个是OCR的,错误至少16000+,一个是AI校对的,错误至少8000+。

我是根据之前拿到的两个OCR版本,逐字对比,凡是不同之处,全部都人工校对修改过了,文字太多,自己经常看花眼,有漏网之鱼也是难免,修复上万错误。

后面大豆包又帮助找错、修正了一遍,再修复数千错误。

这个版本:

  1. 不是按照词典序
  2. 部分词条错乱,有内容缺失。原始OCR版本就混乱杂糅。
  3. 拼音、标点、其他错误,至少数千
  4. 文字错误,估计 1000+
  5. 校对过程中,发现了上百处纸质词典的错误,都逐一考证修复了。
  6. 词典本身有很多类推简化字,校对过程中基本便宜处理,并无统一规则

有人能用AI再多校对几遍就好了。
raw_all.tar.gz (8.5 MB)