# 汉大2后续处理设想

**URL:** <https://forum.freemdict.com/t/topic/8846>\
**Category:** 技术交流与词典编修\
**Created:** [October 16, 2021, 6:03am UTC](https://forum.freemdict.com/t/topic/8846 "2021-10-16T06:03:27Z")\
**Posts on this page:** 20\
**Page:** 1

<div class="post-metadata">

**Author:** ![sxingbai](https://forumcdn.freemdict.com/letter_avatar_proxy/v4/letter/s/919ad9/32.png) [@sxingbai](https://forum.freemdict.com/u/sxingbai)\
**Post date:** [October 16, 2021, 6:03am UTC](https://forum.freemdict.com/t/topic/8846/1 "2021-10-16T06:03:27Z")

</div>

一路泥泞，终于开始对汉大音序进行ocr处理，效果差强人意，至少页码的识别率挺高。

 ![图片](https://forumcdn.freemdict.com/uploads/default/original/3X/9/0/90ce889fc14caa5bac2f4c150b0b8314a0267d40.png)  
 ![图片](https://forumcdn.freemdict.com/uploads/default/original/3X/a/4/a4bb80fc0af8adbd0b00617498f3860096a0029c.png)  
然后抽取汉大2的词头与页码信息，与ocr结果进行近似度比对：  
先进行页码完全比对，余留的进行高相似度比对，初步建立汉大2与ocr的对应数据；  
然后再对每组数据的两边词头进行相似度比对，从高到低进行对应，用汉大2词头代替ocr词头；  
最后处理注音。可先拿ocr的每个字音与25个字母及标注声调的字母进行相似度比对，用正常拼音替代那些ocr出来的奇怪字符，然后拿汉大2的字头注音处理ocr替换后的每个字的注音，单音字直接替换，多音字逐个比对，用近似度最高的字头音替换。  
注音处理应该是个难点，音序目录没有把字与字的注音与空格分开，分割是个问题。也许把汉大的词头注音也合并起来比对会好一点儿。  
如果一切顺利，结果就是一份升级版的音序目录，按页码排序就能和汉大2以及图像版构成对应关系。

---

<div class="post-metadata">

**Author:** ![okayer](https://forumcdn.freemdict.com/user_avatar/forum.freemdict.com/okayer/32/16083_2.png) [@okayer](https://forum.freemdict.com/u/okayer)\
**Post date:** [October 16, 2021, 7:14am UTC](https://forum.freemdict.com/t/topic/8846/2 "2021-10-16T07:14:48Z")

</div>

把圖片OCR了一下，結果可以參考。

百度OCR

```auto
feix肥息6-1193B
feixi匪席1-973A
feixi戲11-275B
feix廢熄3-1283A
feixiabiao飛霞驃12-707B
feixian飛仙12-692A
feixian飛僊12-704
feixian飛12-709B

```

誠華OCR

```auto
feixi 肥息 6-I193B
feixi 匪席 1-973A
feixi 誹戲 11-275B
feixi 廢熄 3-1283A
feixiabiao 飛霞驟 12-707B
feixian 飛仙 12-692A
feixian 飛倦 12-704 A
feixian 飛驚 12-709B

```

PDF Reader Pro OCR

```auto
feixi 肥息6-1193B
feixi 匪席1-973A
feixi 誹戲11-275B
feixi 廢熄3-1283A
feixiabiao 飛霞驃 12-707B
feixian 飛仙12-692A
feixian 飛倦12-704 A
feixian 飛騫12-709B

```

至於ABBYY，繁體中文效果太差了。

---

<div class="post-metadata">

**Author:** ![myfav](https://forumcdn.freemdict.com/letter_avatar_proxy/v4/letter/m/a183cd/32.png) [@myfav](https://forum.freemdict.com/u/myfav)\
**Post date:** [October 16, 2021, 8:12am UTC](https://forum.freemdict.com/t/topic/8846/3 "2021-10-16T08:12:57Z")

</div>

印象中，以前下载过《漢語大詞典》12卷本及1卷附錄的清晰版PDF，2GB多一點兒，词头也見过人家用心編寫好的网页版查询系统，不需要今天自己再重新OCR吧？不过，我不太清楚它究竟是汉1或汉2，总之，查「匪席」就是P.973，查「飛仙」就是P.692。

……哦，原來是想排音序目录，難怪！感覺上，詞組首字的拼音在單字上已標註，第二字以下的，若有多音，會在釋義中標注，可惜掃描版無法自動提取。

---

<div class="post-metadata">

**Author:** ![sxingbai](https://forumcdn.freemdict.com/letter_avatar_proxy/v4/letter/s/919ad9/32.png) [@sxingbai](https://forum.freemdict.com/u/sxingbai)\
**Post date:** [October 16, 2021, 9:19am UTC](https://forum.freemdict.com/t/topic/8846/4 "2021-10-16T09:19:31Z")

</div>

> [@okayer](#):
>
> PDF Reader Pro OCR

它也太强了，不知道有没有win版可用？  
看来paddleocr还得训练，我是直接拿来就用。训练还得学习……

---

<div class="post-metadata">

**Author:** ![sxingbai](https://forumcdn.freemdict.com/letter_avatar_proxy/v4/letter/s/919ad9/32.png) [@sxingbai](https://forum.freemdict.com/u/sxingbai)\
**Post date:** [October 16, 2021, 9:45am UTC](https://forum.freemdict.com/t/topic/8846/5 "2021-10-16T09:45:56Z")

</div>

> [@okayer](#):
>
> PDF Reader Pro OCR

网上找不到可用的win版，不知老兄能帮忙ocr吗？

---

<div class="post-metadata">

**Author:** ![okayer](https://forumcdn.freemdict.com/user_avatar/forum.freemdict.com/okayer/32/16083_2.png) [@okayer](https://forum.freemdict.com/u/okayer)\
**Post date:** [October 16, 2021, 9:50am UTC](https://forum.freemdict.com/t/topic/8846/6 "2021-10-16T09:50:06Z")

</div>

> [@okayer](#):
>
> PDF Reader Pro OCR

> **[PDF Reader Pro Windows破解版|PDF Reader Pro破解版 V1.6.4 吾爱破解版下载\_当下软件园](http://www.downxia.com/downinfo/329226.html)**
>
> PDF Reader Pro Windows版是一款功能强大的PDF阅读和编辑软件。该软件界面美观，支持PDF阅读、批注、PDF编辑、PDF格式转换、创建PDF、OCR、创建/填写表单和签署合同等不同的操作，使用的话需要开启安卓模拟器。

[http://www.pc6.com/softview/SoftView\_795912.html](http://www.pc6.com/softview/SoftView_795912.html)  
官方下載： [Free PDF Reader for Windows 10 - 7 Days Free Trial](https://www.pdfreaderpro.com/windows)  
你看可以下載使用嗎，如果不行的話，就傳上來吧。

---

<div class="post-metadata">

**Author:** ![sxingbai](https://forumcdn.freemdict.com/letter_avatar_proxy/v4/letter/s/919ad9/32.png) [@sxingbai](https://forum.freemdict.com/u/sxingbai)\
**Post date:** [October 16, 2021, 10:05am UTC](https://forum.freemdict.com/t/topic/8846/7 "2021-10-16T10:05:33Z")

</div>

好的，多谢！我试试看。

---

<div class="post-metadata">

**Author:** ![sxingbai](https://forumcdn.freemdict.com/letter_avatar_proxy/v4/letter/s/919ad9/32.png) [@sxingbai](https://forum.freemdict.com/u/sxingbai)\
**Post date:** [October 16, 2021, 10:20am UTC](https://forum.freemdict.com/t/topic/8846/8 "2021-10-16T10:20:18Z")

</div>

不行，都是试用版，只能转pdf。老兄的私信功能关闭了吗？

---

<div class="post-metadata">

**Author:** ![MeigenChou](https://forumcdn.freemdict.com/user_avatar/forum.freemdict.com/meigenchou/32/90024_2.png) [@MeigenChou](https://forum.freemdict.com/u/MeigenChou)\
**Post date:** [October 17, 2021, 2:12am UTC](https://forum.freemdict.com/t/topic/8846/9 "2021-10-17T02:12:47Z")

</div>

> [@sxingbai](#):
>
> 识别率

主要是这原图也不够清晰，可以委托此帖扫描

> [@大家好！有些词典网上无高清，建议众筹方式购买及扫描](https://forum.freemdict.com/t/topic/8852):
>
> 大家好！有些词典网上无高清，如英汉大词典(第2版）、朗文(第6版）、牛津高阶(第10版）等。 建议众筹方式购买及扫描… 众筹时每人出个2-5元，集资后购到低价书后再高清扫描。 资料大家共享！ 在此提出，大家有什么话发言讨论，讨论… 我可以免费扫描。

---

<div class="post-metadata">

**Author:** ![sxingbai](https://forumcdn.freemdict.com/letter_avatar_proxy/v4/letter/s/919ad9/32.png) [@sxingbai](https://forum.freemdict.com/u/sxingbai)\
**Post date:** [October 17, 2021, 4:45am UTC](https://forum.freemdict.com/t/topic/8846/10 "2021-10-17T04:45:10Z")

</div>

多谢！图像是不太清，先试试看吧。

---

<div class="post-metadata">

**Author:** ![sxingbai](https://forumcdn.freemdict.com/letter_avatar_proxy/v4/letter/s/919ad9/32.png) [@sxingbai](https://forum.freemdict.com/u/sxingbai)\
**Post date:** [October 17, 2021, 12:00pm UTC](https://forum.freemdict.com/t/topic/8846/11 "2021-10-17T12:00:05Z")

</div>

还是低估了ocr数据处理的难度，想分音、形、页就很难。原以为页码会比较准确，再加上okayer侠相助，应该比较顺利。但无奈有些地方图像太不清楚，再好的ocr技术也无可奈何。  
 ![图片](https://forumcdn.freemdict.com/uploads/default/original/3X/1/5/151645dc7363e39c7bfa251e8fe07e8426f01e4e.png)

---

<div class="post-metadata">

**Author:** ![hahaya](https://forumcdn.freemdict.com/letter_avatar_proxy/v4/letter/h/77aa72/32.png) [@hahaya](https://forum.freemdict.com/u/hahaya)\
**Post date:** [October 17, 2021, 4:41pm UTC](https://forum.freemdict.com/t/topic/8846/12 "2021-10-17T16:41:32Z")

</div>

> [@okayer](#):
>
> 至於ABBYY，繁體中文效果太差了。

看来这个PDF Reader Pro OCR识别繁中还挺强的，不知识别简中和英文效果如何呢？对比其他像福昕、万兴等软件怎么样呢？

---

<div class="post-metadata">

**Author:** ![okayer](https://forumcdn.freemdict.com/user_avatar/forum.freemdict.com/okayer/32/16083_2.png) [@okayer](https://forum.freemdict.com/u/okayer)\
**Post date:** [October 18, 2021, 12:57am UTC](https://forum.freemdict.com/t/topic/8846/13 "2021-10-18T00:57:11Z")

</div>

我沒有這些軟件。一般場景下的簡體中文，百度OCR是真的厲害，恐怕更好的不多了。豎排、繁體中文目前我覺得PDF Reader Pro OCR是最好的。

---

<div class="post-metadata">

**Author:** ![hahaya](https://forumcdn.freemdict.com/letter_avatar_proxy/v4/letter/h/77aa72/32.png) [@hahaya](https://forum.freemdict.com/u/hahaya)\
**Post date:** [October 18, 2021, 3:37am UTC](https://forum.freemdict.com/t/topic/8846/14 "2021-10-18T03:37:52Z")

</div>

您用的PDF Reader Pro OCR是Mac版还是Windows版呢？有没有Windows的破解版呢？可以分享您自己用的版本吗？百度OCR是用的什么软件呢？只是识别文字吗？能保留原来的排版吗？

---

<div class="post-metadata">

**Author:** ![okayer](https://forumcdn.freemdict.com/user_avatar/forum.freemdict.com/okayer/32/16083_2.png) [@okayer](https://forum.freemdict.com/u/okayer)\
**Post date:** [October 18, 2021, 4:24am UTC](https://forum.freemdict.com/t/topic/8846/15 "2021-10-18T04:24:32Z")

</div>

我用的mac版本是這裡下載的 [https://www.zhinin.com/pdf\_reader\_pro-mac.html](https://www.zhinin.com/pdf_reader_pro-mac.html)

百度ocr就直接按照官方說明調用API，排版我看默認縮進、留白、空格之類都去掉了，比如：

 ![IMG_0077](https://forumcdn.freemdict.com/uploads/default/original/3X/b/9/b9fd4f71ee3063b18d9a70c2025f57cd22f2ec21.jpeg)

識別結果

```auto
王勃(649—676),字子安,绛州龙门(今山西河津市)人。年十四即及第,授朝
散郎,为沛王府修撰,因戏作檄英王鸡文被高宗逐出,乃客蜀中。为虢州参军时又
犯死罪,遇赦革职。父福畤因受累而谪迁交趾令,勃前往省亲,渡海溺水,惊悸而死。
他是初唐四杰之一,才气最高。相传作文先具“腹稿”,文不加点,也善为骈文,
名作有《滕王阁序》,承六朝藻饰之风而特为雄放,也象征当时政局正处于上升时期。
其诗以“高华”著称,内容较六朝宫体诗扩大,音调的婉转变化,则又吸取乐府之长
(如《采莲曲》)。也由于四杰的努力,诗风已有所改变,于五律的格律逐渐树立,故使
杜甫有“不废江河万古流”之称。明陆时雍在《诗镜总论》中说:“调入初唐,时带六
朝锦色。”这也是说得很公允的。要

```

可能要腳本進一步修改才行。

---

<div class="post-metadata">

**Author:** ![hahaya](https://forumcdn.freemdict.com/letter_avatar_proxy/v4/letter/h/77aa72/32.png) [@hahaya](https://forum.freemdict.com/u/hahaya)\
**Post date:** [October 18, 2021, 4:25am UTC](https://forum.freemdict.com/t/topic/8846/16 "2021-10-18T04:25:43Z")

</div>

感谢回复，了解了！！

---

<div class="post-metadata">

**Author:** ![sxingbai](https://forumcdn.freemdict.com/letter_avatar_proxy/v4/letter/s/919ad9/32.png) [@sxingbai](https://forum.freemdict.com/u/sxingbai)\
**Post date:** [October 18, 2021, 4:55am UTC](https://forum.freemdict.com/t/topic/8846/17 "2021-10-18T04:55:07Z")

</div>

百度api有调用次数限制，高精度带位置版一月500次，不带位置1000次，轻度使用够了。  
paddleocr是百度的开源项目，[https://www.paddlepaddle.org.cn/hubdetail?name=chinese\_ocr\_db\_crnn\_server&en\_category=TextRecognition](https://www.paddlepaddle.org.cn/hubdetail?name=chinese_ocr_db_crnn_server&en_category=TextRecognition)，训练后应该识别更好

---

<div class="post-metadata">

**Author:** ![hahaya](https://forumcdn.freemdict.com/letter_avatar_proxy/v4/letter/h/77aa72/32.png) [@hahaya](https://forum.freemdict.com/u/hahaya)\
**Post date:** [October 18, 2021, 5:04am UTC](https://forum.freemdict.com/t/topic/8846/18 "2021-10-18T05:04:48Z")

</div>

> [@sxingbai](#):
>
> paddleocr

paddleocr有限制吗？

---

<div class="post-metadata">

**Author:** ![okayer](https://forumcdn.freemdict.com/user_avatar/forum.freemdict.com/okayer/32/16083_2.png) [@okayer](https://forum.freemdict.com/u/okayer)\
**Post date:** [October 18, 2021, 5:40am UTC](https://forum.freemdict.com/t/topic/8846/19 "2021-10-18T05:40:58Z")

</div>

paddleocr默認識別比其他開源的都要好，但字稍微生僻一點就不太行。老兄後面要是有了心得，把怎麼訓練、使用paddleocr和大家分享下啊

---

<div class="post-metadata">

**Author:** ![W2K](https://forumcdn.freemdict.com/user_avatar/forum.freemdict.com/w2k/32/5_2.png) [@W2K](https://forum.freemdict.com/u/W2K)\
**Post date:** [October 18, 2021, 6:05am UTC](https://forum.freemdict.com/t/topic/8846/20 "2021-10-18T06:05:41Z")

</div>

> [@sxingbai](#):
>
> 高精度带位置版一月500次，不带位置1000次

百度的后期用很累，量少了还凑活。

[Next page](https://forum.freemdict.com/t/topic/8846.md?page=2)
