2026.10.20 13个PDF的图片的画线数据+插图+section数据
漢語大詞典_Picture_Capture
链接: 百度网盘 请输入提取码 提取码: wrz6
分卷情况：
01卷：已完成一次校对
07卷： W2K 领取任务
08卷： W2K 领取任务
09卷： alexpeng
接下来等协作，或者有需要者自己拿去填充校对吧
填充的文本数据可以看下面讨论帖子里#8楼 sxingbai 提供的条目文本
我稍微处理后的用于填充的文本（顺序不完全正确，内容也不完全对应，所以才需要校对）：
wordslist_汉语大_用于填充.txt (5.5 MB)
填充方法：
（1）【画线…】→【选择词条文件】：选择这个文件（格式就是 页码\t词条 ）
（2）在页面列表选择第一页，然后点击选择【●当前至末页】，或者你直接选择所需要填充的页面范围：比如 你打开了第03卷，就可以指定范围 030001-031662
（2）【画线…】→【填充词条】
（3）列表里栏头鼠标右键，勾选‘填充状态’，可以先快速了解一下填充的结果情况
2026.10.01
- 下载了 [w2k] ([v2.14.2发布] 扫描版词典一站式画线/OCR/制作词典的软件 - #140，来自 W2K) 指明的由 白石晧晧 整理分享的《汉语大词典》PDF：《汉语大词典》扫描版（12卷23册附词目音序索引）
- 使用 Abbyy Finereader 初步矫正后导出为TIF
- 使用 Total Commander 批量重命名
- 使用 ComicsEnhancer Pro 切边
- 使用 Picture Capture 单纯画线（因为后续会去用文字版词头填充，双向比较）
有人可以帮忙整理按照原始顺序排列的索引表吗？
格式很简单，用制表符\t分隔
前2位数字为卷号，后四位为页码号
010001\tXXX
010001\tXXX
…
011744\tZZZ
020001\tAAA
…
…
这个实际上就是校对步骤了。这样的大部头，依靠单个人去包揽不太现实和放心，需要群策群力。
我的想法：像TIO那样，把“切边后的TIF + Picture Capture 初步画线数据 + 用文字版初步填充的词头” 放在云端部署，由论坛网友认领或随机去校对，可以反馈提交词头问题或画线问题或其他。好处是：
- 不需要下载庞大的PDF，校对哪一页就只加载那一页的tif，尽量降低参与者的负担、从而吸引更多志愿参与者。
- 可以多人协作，重复校对也没有关系，因为最终裁定者能平行看到差异、比较方便；需要考虑后端如何存储、查看、输出这些数据（比如 010001\tXXX）。
- 作为长期反馈问题的渠道，不是期望一次性就能做到尽善尽美。
- 慢慢打磨，也是为以后其他大部头的协作先行先试。
总之，大部头需要热情，也需要细水长流。
电子版没有词条的顺序号吗？或者页码总是有的吧？
我的意思只是整理一个基于电子版提供的信息的这样的索引而已啦
你提出的协作校对，“也许”以后可以加一个模块；）
你说的是原来的图像版《汉语大词典》的索引吗？这个索引与你的需求还有不小的差距，抛开准确性不说，主要是词条只有卷与页，一页之内的词条并没有按原书顺序。对于这一点，我曾按笔画对同一页的词条排过序，凑合着能用。如果需要，我找找传上来。
嗯嗯，好啊，谢谢！
页面内排序应该能找到一个比较好的办法~
汉大条目页码排序.txt (8.6 MB)
应该就是这个。其中词条后加#的是文字版没有图片版有的，没有进一步整理。
W2K
10
没那么夸张。
看到论坛里各种ocr和什么再比对啥的越看越不靠谱，我自己弄的。
ocr后批处理
只要左右栏行数没错，无脑回填就没错过。
把非带有【的行正则干掉就出来要的了。单字头加个自己认识的符号同样处理。
要的大表就出来了。
我记得当时带弄不弄的200—300頁很快就弄完了。
再说这回切词软件更新后ocr的词头正确率很高了，人手够一人2、3本词头弄出来没问题。
我用新的版面测算，然后【普通画线模式】画的，几乎100%正确。
W2K
12
图现在的质量越来越好，规范起来很方便。
画线你这块弄的很完善了，见你又升级了画线模块
下一步就差词头大的顺序表了，ocr的质量一直在提高。可信度也很高，拿来用没问题（就是再差至少词头数量也就是画线数和顺序这块是没问题的）。
中文类的非基本区外的只能手敲现在还无解（百度可以识别出来一些基本区外的但也很局限，个别地方还是缺词丢字）。
利用好减少人力肉搏就得到大词表也是个方向，保证准确的前提减少劳动量。把精力用到校对和纠错上。
填充前需要给类似这样的部首起始页设置section，词条顺序就对啦
haoshu
14
W2K
15
卷一
个别特殊頁高：253、254、255、256
010001-010300.txt (115.6 KB)
2010-汉语大词典订补.pdf （224mb版 / 817mb版）
正文第117页缺少一半内容
