排版有问题，应该是一上来处理的思路稍有问题，应该先分大块，再分小块。
我观察一般第一个p块为注音块，第二个p块为解释块，其它的备考块、辨块、按块都好区分。
如果有<p>\d+\.的，与上面一样，做特殊处理。
然后再把解释块分为释义块和书证块，这样就不会弄串。
我建议的出发点是省力气哈
现在这样就好了~ 保留个差不多原貌的以防万一即可，不必太纠结
按 Unicode 定義和字碼排次：
㬻 3B3B 从肉
䐠 4420 从月
王力字典，兩個字都收。應該按照王力所歸的部首來選字。
在中華書局字型，兩個字長得一樣；細明、全宋體兩個字型分辨月、肉偏旁。
朐-胊、㫚-㫚 也是一樣的道理。
————————————
這個數據，我會做個mdx自己用，別人不發，我就發，不爭先後。我已經完成了特製字型來配合王力用的字體，把中華書局私有區的glyph掛在標準碼了（這些跟中華平面0的字形不同，因為新舊字體的區分）。
4 个赞
汉字博大精深，兄台学富五车，受教了！
朐-胊，后一个字王力的词典以及《汉语大字典》都查不到，似乎是混在一起了。
㫚-㫚，查编码似乎是一个字。
事有例外，目前发现四处。三处是因为按语放在了注音之后，一处是解释块没有加p签，和注音混在一起。
谢谢。请问不分割的话，android无法加载吗？
我是如此。依原样打包为mdd，css增改font-face即可
1 个赞
“齐”字的原标签和标号顺序也有问题
50多次，href=“entry://…”> 之間有 XML 編碼和 “span” 標籤。
三十多次：
span class=" tiaomu=“”>
span class=" tongyuan=“”>
span class=">【辨】
三十這類的（“嵷”字條）：
有的句子是重複的，像“渚”字條：
紙書：
我只點出些編輯者要注意的。其他就不講了。
1 个赞
<div id="FCdiv2047983" key="2047983"> <p></p> <p> 一悔收字與立條 </p> <p> 1.本字典參照<span class="shuming">辭源</span>收古籍中通用漢字一萬二千五百餘個。僻字一般不收；現代新産生的字如氫、氧、碳、腺等不收。 </p> <p> 2.按單字立條。有的字條下酌收複字條，以聯緜字爲主，如嚅唲等。也收少量的不能拆開來講的雙音詞，如姎徒等。複字條以〔〕表示。 </p> <p> 3.字形。字頭涉及新舊字形問題的，分三種情况處理：«1»新舊字形的形體無大差别，筆畫也相同，用新字形，如“雪”（不作“雪”）、角（不作角）。«2»新舊字形的形體無大差别，但筆畫不同，如果<span class="shuming">辭源</span>採用的是舊字形，本字典也用舊字形。如“喏”（九畫）、滑（十畫）。«3»新舊字形的形體差别較大，如為/爲，妍/姸，温/溫等，則一般立兩個字頭。有的字形屬隸定與隸變的不同，如帬/雪，耼/聃，叜/叟等，<span class="shuming">辭源</span>有的只收隸變，如雪，叟；有的既收隸變又收隸定，如搜/<span>哢</span>，<span><img width="" height="" src="http://refbook.ancientbooks.cn/dictionary/u/cms/www/202009/22144005q4se.png"></span>/<span><img width="" height="" src="http://refbook.ancientbooks.cn/dictionary/u/cms/www/202009/221441174c0i.png"></span>，聃/耼等。本字典從<span class="shuming">辭源</span>，不作改變。 </p> <p> 4.字頭按<span class="shuming">辭源</span>的214個部首排列，同部首的，以筆畫多少爲序。部首前大都有“部首總論”。 </p> <p> 二悔注音 </p> <p> 5.注音分三部分：«1»現代音，一般根據<span class="shuming">廣韻</span>音系的演變規律推定，並參照<span class="shuming">現代漢語詞典</span>，用漢語拼音注音。僻字酌注直音。«2»中古音，注出反切以及聲調、韻目、聲母。«3»上古音，只注出韻部。例如： </p> <p> 一yī悔於悉切，入，質韻，影。質部。 </p> <p> 怩ní悔女夷切，音尼，平，脂韻，娘。脂部。 </p> <p> 6.今音僅一讀，<span class="shuming">廣韻</span>有兩個以上反切，又不辨義，一般只取其相應的某一切語，例如“芒”，<span class="shuming">廣韻</span>有莫郎切與武方切，今讀máng，本字典取莫郎切，不用武方切。 </p> <p> 7.今音僅一讀，古反切不同，字義有别，則分别注出。例如： </p> <p> 夏1.xià悔胡雅切，上，馬韻，匣。魚部。 </p> <p> ≮一≯古代<span class="zhuanming">漢</span>族人自稱爲“夏”。≮二≯大。≮三≯朝代名。≮四≯國號。≮五≯五色。 </p> <p> 2.xià悔胡駕切，去，禡韻，匣。魚部。 </p> <p> ≮六≯四季的第二季。 </p> <p> 8.今音與<span class="shuming">廣韻</span>、<span class="shuming">集韻</span>反切不合的，視情况加注“今讀如某”。例如“孌”luán力兖切，上，獮韻，來。元部。今讀如鸞。“況”kuàng許訪切，去，漾韻，曉。今讀如曠。陽部。 </p> <p> 9.關於舊讀。舊讀指舊有的讀音，一般符合反切演變規律，有歷史根據，但與現代普通話的實際讀音不合，用括號標注在今讀之後。例如“危”wēi（舊讀wéi），魚爲切；“俱”jù（舊讀jū），舉朱切。又本有兩音兩義，今音合流，其中一音爲舊讀。例如“三”1.sān蘇甘切。2.sān（舊讀sàn），蘇暫切。 </p> <p> 舊讀一般依據<span class="shuming">增注中華新韻</span>（中國大辭典編纂處編，商務印書館）。 </p> <p> 10.有的字有文白異讀，本字典一般只注文讀音，不注白讀音。如剥，注bō，不注bāo；削，注xuē，不注xiāo；血，注xuè，不注xiě。也有採用白讀的，如北，注běi。 </p> <p> 11.反切以<span class="shuming">廣韻</span>爲準，<span class="shuming">廣韻</span>没有的字，用<span class="shuming">集韻</span>的反切。例如：“宎”yǎ<span class="song">o</span><span class="shuming">集韻</span>伊鳥切，音杳，上，篠韻，影。宵部。 </p> <p> <span class="shuming">廣韻</span>反切不合今音，在其後加注<span class="shuming">集韻</span>的反切。一般屬<span class="shuming">廣韻</span>唇音、舌音的類隔切，補出<span class="shuming">集韻</span>的音和切。例如： </p> <p> 丕pī悔敷悲切，<span class="shuming">集韻</span>攀悲切，平，脂韻，幫。 </p> <p> 媺měi悔無鄙切，<span class="shuming">集韻</span>母鄙切，音美，上，旨韻，明。 </p> <p> 樁zhuāng悔都江切，<span class="shuming">集韻</span>株江切，平，江韻，知。 </p> <p> 12.中古音聲母採36字母，字母中正齒音分兩組：照二穿二牀二審二；照三穿三牀三審三。不作莊初崇生；章昌船（神）書。禪、日二母都是三等字，逕作禪、日，不作禪三日三。喻母分三、四等，寫作喻三喻四。喻三不歸匣。 </p> <p> 13.上古韻部爲王力的三十部。 </p> <p> 14.<span class="shuming">廣韻</span><span class="shuming">集韻</span>未收的字，多屬後起字或晚起字。爲表明今讀的來源，儘可能從<span class="shuming">龍龕手鑑（鏡）</span>、<span class="shuming">五音集韻</span>、<span class="shuming">古今韻會舉要</span>（簡稱<span class="shuming">韻會</span>）、<span class="shuming">洪武正韻</span>、<span class="shuming">字彙</span>、<span class="shuming">正字通</span>、<span class="shuming">音韻闡微</span>等韻書、字書中找適當的反切資料，不標調、韻、聲，或僅取直音資料。如： </p> <p> 丢diū悔<span class="shuming">篇海</span>丁羞切。悔奶nǎi悔<span class="shuming">正字通</span>音乃。 </p> <p> 韻書、字書中找不到反切的，必要時在拼音後加一直音。例如“嫖”，“2.piáo，音瓢。”“嫚”，“2.yuān音蜎。元部。” </p> <p> 15.通假字的注音。分爲兩類。一類是專爲通假字設立音項。如：“信”通“伸”。 </p> <p> 信1.xìn悔息晋切。2.shēn悔<span class="shuming">集韻</span>升人切，平，真韻，審三。真部。≮四≯通“伸”。 </p> <p> 另一類是在義項中注明通假。如“僞”通“爲”。 </p> <p> 僞wěi悔危睡切（舊讀wèi），去，寘韻，疑。歌部。≮一≯欺詐。≮二≯通“爲”。人爲的。 </p> <p> 三悔釋義 </p> <p> 16.字義分析。注重字義的概括性。按意義的不同分立義項。有本義、引申義、假借義。近引申義合併，遠引申義另立，假借義也另立。義項用數碼≮一≯≮二≯≮三≯等表示。 </p> <p> 在同一義項中，有引申義關係的意義，分别用“引申”、“比喻”、“又”等給予説明。例如： </p> <p> 土：≮一≯土壤，泥土。……引申爲土地，田地。……又爲國土，領土。……又爲鄉土。≮二≯社神，土地之神。≮三≯量度，測量。 </p> <p> 複字詞如果要分項表示不同的意義，則用阿拉伯數碼«1»«2»«3»等表示。如：〔委蛇〕叠韻聯緜字。«1»莊重而又從容自得的樣子。«2»綿延曲折的樣子。«3»蛇名。〔姁姁〕«1»怡然自得的樣子。«2»和好貌。 </p> <p> 17.對字形的説明。牽涉到所有義項的，放在第一義項的序號之前。如： </p> <p> 丐悔本作“匃”、“匄”。≮一≯乞，求。≮二≯給予，施給。 </p> <p> 凱悔字亦作“愷”。≮一≯和樂。≮二≯戰勝獻俘時所奏的樂。 </p> <p> 如果是對其中一個或幾個義項的説明，則放在該義項下。如： </p> <p> 剛悔≮一≯堅硬，與“柔”相對。≮二≯名詞，剛鐵（後起義）。這個意義後來寫作“鋼”。≮三≯公牛。字本作“犅”。 </p> <p> 18.義項排列的順序。大致是： </p> <p> 本義在前，引申義在後。如：好悔≮一≯貌美。≮二≯美。 </p> <p> 通用義在前，非通用義在後。如：女悔≮一≯女性。≮二≯女兒。≮三≯星宿名。 </p> <p> 實詞義在前，虚詞義在後。如：孰悔≮一≯煮熟。≮二≯疑問代詞。 </p> <p> 古義在前，後起義在後。如：捐悔≮一≯捨棄。≮二≯除去。≮三≯捐助，獻納。≮四≯賦税（晚起義）。 </p> <p> 如果是一個多音字，不同音項下的義項序號順延。如： </p> <p> 告1.gào悔古到切，去，号韻，見。覺部。 </p> <p> ≮一≯告訴。上告訴下，下告訴上，都叫告。 </p> <p> 2.gù悔古沃切，入，沃韻，見。覺部。 </p> <p> ≮二≯告訴，請求。在某些地方讀入聲。 </p> <p> 3.kù悔<span class="shuming">集韻</span>枯沃切，音酷，入，沃韻，溪。 </p> <p> ≮三≯官吏休假。 </p> <p> 19.同與通。“同”一般用於異體字。“同”後面的是習用字。如“<span>攈</span>，同‘野’”。讀者通常是通過習用字來認識非習用字的，因此“同×”也兼有釋義的作用。如“姉，同‘姊’。<span class="shuming">戰國策</span><span class="shuming">韓策</span>二：‘<span class="zhuanming">（聶）政</span>姉聞之。’”有時注“同×”後仍須申説，如“匡悔≮一≯同‘筐’。飯器。”“妬悔同‘妒’。妒忌。” </p> <p> “通”用於通假字。 </p> <p> 20.後起義與晚起義。<span class="zhuanming">魏</span><span class="zhuanming">晋</span>至<span class="zhuanming">唐</span><span class="zhuanming">宋</span>這一段産生的詞義爲後起義，<span class="zhuanming">元</span><span class="zhuanming">明</span>以後産生的詞義爲晚起義。注明詞義的時代性是有選擇的，視對詞義注釋有無必要而定。例如“好”：≮四≯用作補語，表示事情的完畢（後起義）。<span class="zhuanming">唐</span><span class="zhuanming">韓偓</span><span class="shuming">無題</span>詩：“粧好方長嘆，歡餘卻淺嚬。”≮五≯副詞。很（晚起義）。<span class="shuming">紅樓夢</span>四二回：“説的好可憐見兒的。” </p> <p> 詞義發展是漸變的。所謂後起義、晚起義是指新産生的某詞義在這個時期已有較普遍的應用，而不一定指某詞義始見於這個時期。 </p> <p> 21.後起字和晚起字。指字形是後（晚）起的，詞也是後（晚）起的。如“塑”：“後起字。用泥土造人、物的形象”；“另”：“晚起字。另外。”如果字形是舊的，詞是新産生的，如“哥”字，在<span class="shuming">説文</span>中已有，注爲“聲也”。到<span class="zhuanming">唐</span>代，“哥”用指兄。這樣在“哥”下注：“後起詞。兄。”有時詞是古已有之的，而字形是新産生的。如“<span>断</span>”注爲：“鳥<span>断</span>卵。字本作孚。”前者爲同字異詞，後者爲同詞異字。 </p> <p> 22.參見和見。本條已作注釋，爲提示讀者可作進一步瞭解，則用“參見”。如： </p> <p> 〔嫵媚〕雙聲聯緜字。形態美的樣子。<span class="shuming">史記</span>作“娬媚”。參見“娬”字條。 </p> <p> 如果本條無注釋，注釋設在另一條中，則用“見”。如：“娜” </p> <p> 〔婀娜〕叠韻聯緜字。見“婀”字條。 </p> <p> 有時採用<span class="shuming">爾雅</span>、<span class="shuming">説文</span>、<span class="shuming">廣韻</span>等書的釋義，也用“見”。如： </p> <p> 辰，≮一≯震。見<span class="shuming">説文</span>。 </p> <p> 23.符號。 </p> <p> ~悔替代號。例證中替代被釋的單字，不替代複字詞。複字詞條目，例證中出被釋的字詞。 </p> <p> ﹏悔書名號、篇名號。 </p> <p> ―悔人名號、地名號、朝代名號。 </p> <p> （悔）悔夾注號。用在作補充説明的地方。 </p> <p> 〔悔〕悔條目號。用在複字詞，主要是聯緜字和少量的複合詞。 </p> <p> 24.欄目。 </p> <p> 字典設五種欄目。«1»[部首總論]，對同一部的字從意義上作必要的分類和説明。«2»[備考]，僻義歸入此欄目。義項號自成起訖。備考的位置在相應的音項下。«3»[辨]，將意義相近或相關的字提出來進行辨析，説明其異同。«4»[同源字]，從語源學角度説明一組同源字其音近義通的歷史根據。«5»按，分兩種情况。一種放在義項裏的，内容不固定，是爲了對注釋作補充；一種放在字條的最後，多爲交代<span class="shuming">説文</span>的收録情况，也有作其他方面説明的。 </p> <p> 25.附録。本字典收附録兩種：（一）中國歷代紀元表。（二）中國歷代度量衡制演變簡表。 </p> <p></p> </div>
补上凡例。只用00字体，但发现空格用的加密字”悔“，我在解析字体时把空格排除了，所以没解；另外仍然有许多奇怪的字，看来在映射时还得优先正常字体与符号。
更新一下
“賖”字混在“賒”字条；“貸”字混在“貨”字条，䁾字条有混入字，本网站不显示此字。
那類問題有二十多，我已經改了。第一輪修改，完成了字頭和私有區字方面的事。（這都是藉合網數據本身的問題，跟 hua 的解碼工作沒關係。）
下一輪，要把所有圖片換成標準文字或是字型字形。
2 个赞
诸位大神辛苦了，希望能早日完工，祝中秋快乐！
這個字形，方正字庫好像沒作，所以我從（方正）中華和辭源字型抽出成分，構造出來。全宋體有，但我盡量用中華數書局規度和風格。
這類字，辭源不用草字頭而用羊角；這應當也是王力的意思。“𬞱，目眵也。” 𦭝=𥄕，說文：𥄕，目不正也，从𠁥（羊角）从目。
1 个赞
你试过了嘛？用你这个思路可以解决现在遇到的问题吗，同时也能加上必要的标签吗？如果可以的话，我抽时间重写下处理逻辑。
1 个赞
我以为你说的字源数据呢，这个我试过。不过这几天也还在为解密伤脑筋，扩展A区在基本汉字之前，如果基本区（4e00-9fff）找不到，就得从头再跑，很费机器。
我觉得用笨方法也许有效，基本区找不到的字应该不多，先记下来，最后手工解密这些加密字。
标签是怎么回事，难道标签也加密了？如果是，还是得分区比对吧。
二次替换的问题对hua大肯定是小菜，就不说了。
这次学习解密遇到了不少坑，但也学到不少。想想ocr关键的一步不就是字形比对吗，如果对图片字降噪时找好阈值，再能知道所用字体，识别效果应该好很多。
为完善此字典出点力，制作上传“部首总论”。但我把里边无法显示的字用图片转成 base 64编码，单独作mdx文件正常显示图片，合到文字版则无法显示图片，请大神研究一下。
修正一下部首总论.txt (116.6 KB)
4 个赞
我不是发了解密出来的原数据嘛，你解密哪儿没懂呀，三个平面的点位是不重叠的，密文里面也对应三个字体，就这么着对比就行呀。标签没加密的，我是说怎么样才能减少我们为了美观增加的标签带来的问题。
#142 pending merge
原来你说的是美化。我因为开始以为是字源那个帖子，佛兄说用什么二分法，我以为解密不完美呢。
加标签我就是在你的解密数据基础上做的，先分大块，再分小块，效果会好点儿。但仍然会有观察不到的，尤其是原标签有问题的。没办法，少量的余留问题只能随见随改了。
解密时的比对逻辑hua大是怎么搞的？是先在基本区中找，找不到再从头找吗？这样感觉好笨。