新德汉词典.HTML/TXT文本

德语
1

还有一些错误,懒得修复了,工程太大了,内容基本全部涵盖了,就是排版的问题

还有一些错误, 懒得修复了, 工程太大了, 文本内容基本全部涵盖了, 高度可用, 词条基本涵盖了,有一些断行还没有修复,错别字,音标,字符什么的
用PP-OCRv6 Small, PP-OCRv6 Medium TensorRT FP32, Tesseract Best/deu三个模型校对的
原版pdf太垃跨了,谁能提供超高清的词典图片,理论上我可以100%所有细节都可以复刻,包括斜体,粗体

duden 2023词典最新版也基本已经完成txt文本转换,这个比新德汉词典情况好太多

image
image1920×1557 1.06 MB

新德汉词典TXT.zip (5.8 MB)
新德汉词典HTML.7z (14.9 MB)

2

音标会有很大问题吧

3

模型纯视觉ocr识别,问题太多了.
我刚才看了一下你的新德汉卡西欧数据,你那数据太猛了,哪搞得?词条正文部分,没什么问题.专业领域标记的〔乐〕、〔动〕 等可以批量替换成原书的【乐】、【动】 等,例句分隔符的独立 HTML 区块可以批量替换重建为原书的 ‖、/ 等标记
你的数据帮了大忙了,理论上可以完美复刻原版pdf格式

4

我从卡西欧词典dump的数据里面转换的，这是原始数据，带有很多控制码
ZH012.zip (13.5 MB)

5

可以啊,你这个数据最权威了,新德汉词典流传了太多版本了.我这纯蛮力用脚本模型识别,太费力了.直接用这个数据已经省去了最吃力的部分了