感佩于各位先生在自制词典方面所做的探索，我等晚生有了宝贵的词典可用。虽然也买过词典，但有些词典若不自己做电子版，买也难得买到。所以，我正在从头开始学习制作自己的图片词典，预计时间为1~3个月。之所有选择做图片版词典，是因为想花不太多的时间解决一些词典从无到有的过程。
在此期间，我将发贴纪录一部词典制作的经过，大家可以批评指导我的过程与方法。期间，我可能要尝试写一点代码，来辅助这个工作。如果试制成功，我将把此代码和制作的一部词典开源分享。当然，我对该词典内容没有任何版权，提供出来，仅仅是为了交流词典的制作方法。另外声明一下，我已购买此词典的纸质版，制作电子版仅仅为了学习技术和方便自己使用。
需要说明的是，在我学习的过程中，发现Vim发布了极具价值的开拓性文章。我特别感觉 Vim 师所做的工作，我就是想照着他的图片词典的样子重造一个轮子。他总结了很多宝贵的经验，也分享了代码，甚至给我分享了用一本 vim 生成的文件，这样我可以节省不少时间，在学习的时候可以参照揣摩。但因为我不会用 vim，估计这辈子都难以学会，所以我选择学一门编程语言，Python。
最后，总结一下目标：从无到有，制作一个可用的图片词典数据 mdx。希望能达成!
如果有人和我一样在学习，有不明白的，请留言，我将直接扩充对应段落的文字描述。
11 Likes
第1步：扫描图片(已完工)
因为只是为了学习技术，所以没有真的亲自扫描，而是在网上下载了一本 PDF，能与我的纸质版对上。这本词典是《实用英语用法指南》(Practical English Usage)，第3版。PDF是中英对照片。另外，还下载到了纯英文版的 epub, mdx。 这两个都有用， PDF 可以转出图片， epub, mdx 可以提供词头，免去我扫描的 OCR 的痛苦。但是两个词典因为版式不同，造成页码不同，所以还是需要一些人工解决一些问题，这个问题到需要处理的时候再说。
一些加工步骤:
(1) PDF 转出图片。使用的是 PDF 补丁丁这个免费软件，可以无损转出 PDF 中的图片。软件很好用，我为了表示对作者的感谢，曾捐赠过50元。不过现在起捐价提高了。
(2) 图片重命名。使用的是 Advanced Renamer，可以有很多种命名方法。
(3) 图片增强。用的是 ScanTailor。我主要是去了一下多余的白边，少量纠了一下偏。费时估计有 1~2 小时。也许可以用 ComicEnhancer 会更快一点。
以上软件都是免费的。做完这3步，就拿到了基本的原材料：可用的图片正文。
下面是所用到的PDF, 处理过的图片。一起制作的同志们可以下载原材料。https://pan.baidu.com/s/1YvdWNFYuYiiVEYQ7S_E9Eg 提取码: gyxf
正文图片：
正文之前的图片
因为我的图片转换不是一步到位的，先用 scantailor 搞成了放大版的 tif 文件，后来发现欧路不识别 tif 格式， 又用 comicenhancer 转成 png，结果数据的体积较大。这里有改进的空间。
总结:
图片的编号分两种，他们有相同的前缀（书名简写），但各自顺序编号。正文前之前的页面带一个负号，但编号长度为4位，从 -001 开始，一般指的是封面。不知道会不会留下什么坑。
1 Like
第2步：整理词头
这步没什么难度，但很费时间，就是把词头整理出来。本来在 epub 中是有词头的，但是没有页码信息。既然不可避免，那只好硬着头皮上了。
为了使用的时间尽量少，我就直接拿条目的数字编号当成词头了。预计要好几个小时，或者要拖数周完成。
这一步用到的软件是 Excel，左边一列是词头，右边一列是页码，都是数字，所以打字输入还算不慢。关键是页码太多了。
可能会留下的问题:
本词头所记录的页码用的是书上的文字正文页码，不是图片的第多少张。后面在制作跳转时，需要注意。
上面的词头我目前只输入到100页，余下的以后再慢慢输入，我已经等不及，想看看自己能不能打包图片，并用上下页的方式浏览了。
第3步：图片打包上下页浏览
预计实现效果：制作一个只能通过上一页，下一页浏览的最没用的词典 mdx，后面在此基础上修改。
已制作完全，请稍等…
前面的都比较简单，是前几天所完成的结果，一起总结了。
方法:
(1) 将图片放在 img 文件夹；
今天的成果：1个txt 文件， 1个 mdx 文件，1个 mdd 数据文件。后面这个 mdx 文件会进一步改进， mdd 数据文件将基本不变了。
链接: https://pan.baidu.com/s/1RNMRp_3ospterttzQCe73Q 提取码: jev2
总结：
(1) 图片尽量使用 png 格式，不要用 tif 格式；
2 Likes
西北风
November 6, 2021, 2:10pm
5
smiling1384:
第3版
第4版文字版mdx都出来好几年了，还在这里折腾第3版图片版
此前误会了，不知第4版是否有翻译
2 Likes
的确如此，如果我有高质量的 第4版中英对照PDF和 英文epub/mdx，那我就从第4版开始了。
1 Like
第4步 11-7
为前面的词典增加查词头的功能，当我输入一个数字，如 s30，它能找翻到第30条所对应的页面，不一定是第30页。
打包一个 exe 试试能不能工作。
具体工作:
# -*- coding: utf-8 -*-
import re
with open(r"Section13.xhtml", encoding="utf8") as fl_in:
text = fl_in.read()
pattern = r'<h3 class="hh\d+" id="sigil_toc_id_\d+">(\d+)(.*?)</h3>'
heads = re.findall(pattern, text)
for head in heads:
entry_id, head_word = head
head_word = re.sub('<.*?>', '', head_word).strip()
print(entry_id, head_word)
一次处理一个指定文件extract_headword.py (376 字节)
处理全部 xhtml 的版本extract_all_headwords.py (589 字节)
得到的原始结果为：
1 abbreviated styles
2 abbreviations and acronyms
3 [be] able
4 about and on
5 about to
6 above and over
7 accept and agree
8 according to
9 across, over and through
10 active verb forms
11 actual(ly)
12 adjectives (1): normal position
13 adjectives (2): after nouns and pronouns
14 adjectives (3): position after as, how, so, too
15 adjectives (4): order before nouns
...
head_word.txt (18.6 KB)
问题总结:
数字右边的词头基本都是短语，太复杂了，需要适当简化，例如展开，去括号等。主要问题是，怎么设计词头，才有最大的查得率？ 大家说说经验看？
西北风:
第4版文字版mdx
那个是英文版。楼主制作的是中译本第3版，不矛盾。
从学习英语角度来说，中译本第3版完全够用。
不过楼主同时还要学习golang，感觉目标太分散了，坚持到底不易的。
我是希望找到划多条直线、一次性切割一张图片的工具，此外还希望合并图片工具希望能有顺手的。
2 Likes
不太懂，能不能解释一下，这是一个什么操作呢？
的确是有这个问题，但应该是可以坚持做出来。实在不行，中途换工具。
续 第2步 手工整理数字词头 （已完工，本回复尾部共享了文件）
硬着头皮，又花了一个小时，所有词头手工录入完毕，解决没有原材料（词头）的问题。共享录入完毕的 excel 文件，有兴趣的可以自己去改制，可以节省好几个小时的体力劳动。
词头
page number
1
1
2
3
3
4
4
5
5
5
6
5
7
7
8
7
9
7
10
8
11
12
12
13
13
15
14
17
15
18
16
20
17
21
18
23
19
23
…
practicle_english_usage3_headword_pagenumber.txt (5.4 KB)
1 Like
第4步 续1
将手工整理的数字词头合并到第2步中的数据中，产生一个可以用数字编号（原词典条目编号，如输入 s103 可查得第103个词条）查词的词典。
# -*- coding: utf-8 -*-
item_tmpl = "{head}\n@@@LINK={page}\n</>\n"
with open("PEU3_headword_page.txt", encoding="utf-8") as fl_in,\
open("PEU3_headword_page_mdx.txt", "w",encoding="utf-8") as fl_out:
for kk, line in enumerate(fl_in):
if kk > 0:
line = line.strip()
entry_number, page_number = line.split("\t")
entry_number = 's' + entry_number
page_number = "PEU3_{:04d}".format(int(page_number))
item = item_tmpl.format(head=entry_number, page=page_number)
print(item)
fl_out.write(item)
为了快速出效果，暂时改用 python。因为这个程序有一定的通用性， 后期可能将这个程序改为 golang。
PEU3_headword_page_mdx.txt (18.5 KB)
将上面的跳转词条合并到 v0.1 中，即可得到一个最简单的词典，如下：
Entry_0.2.mdx (22.6 KB)
问题总结:
现在的词条只能按数字编号查询，对于该词典的阅读和跳转有一定作用，但对日常查词基本无用。下一步解决正常的查法。
第5步 将书的末尾的索引词做为词头
到了第4步的时候，实现了两种查询方法:
(2) 通过词条编号查词。因为 PEU 的语法条目带编号，正文中都是用编号跳转，所以该功能有一定的价值。这是在第4步续1实现的。
如果本词典的词头表是正常的单词，那么到这一步其实一部可用的词典已做完了。但是，这是本用法书，小标题作为词头并不方便查词。不过书尾有一个很不错的索引，大概一共有3000条，都用文字给出了跳转的条数。
所以，接下来做索引跳转。思路很简单，就是用正则去发现所有带编号的条目，替换成词典能识别的链接。这里碰到了一个小问题，就是到底是跳转到该数字词条，还是跳转到相应的页码。因为前面只为每个页面图片实现 entry， 所以选择跳到页码。这个页码通过前面的词头表映射得到。
替换之后，查单词 a, 可以得到这样的文字结果：
然后点击数字，可以跳转到相对应的页面。似乎之前的 PEU 的纯英文文字版实现了该跳转功能，图片版一般没有实现该功能。因为我找到了 epub，所以顺便较该中英对照的版本也实现了该功能。
如果你要求不高的话，本词典基本做完了，后面，我将只做一些优化。
下面是本回贴所涉及到的全部代码，主要是链接转换，就一个小文件，为了快速完工，可读性较差。
get_index_word.py (1.1 KB)
Entry_0.3.mdx (79.0 KB)
总结
(1) 有些词的索引只有一个页码，对这种情况，应该直接跳到相应的内文，不再应该出现一个单独的中转页。这个问题是有办法解决的，等后面再说。
未完待续
因为收到你的回复说我可能不能坚持做出来，结果我没忍住，换了工具，改成 python 语言，用了半天（连带写贴子，总共应该花费了一天）基本完全做出来了，达到了预期目标。当然，如果改用 golang，需要的时候可能会长达1个星期。最后，这本词典能提前完工，首先得感谢你。
2 Likes
Vim
November 7, 2021, 10:08am
18
赞！
好的，我有搞不定的定当请教。不过我才入门水平，尽量百度
您好，hua 大， 我有一个 Golang 问题，就是希望将格式化的字符串并写到文件，中间有回车换行，可是它原样输出了。请问正确的做法是怎样的？
希望以下的代码将 a,b,c分别在三行输出
writer := bufio.NewWriter(file_out)
txt := `a\nb\n\c`
s := fmt.Sprintf(txt)
writer.WriteString(s)
写文件的结果是： a\nb\n\c ，它没有分成3行。
完整代码:
package readfile
import (
"bufio"
"fmt"
"os"
"testing"
)
func TestWriteFile100(t *testing.T) {
file_out, err := os.OpenFile("new_line_test.txt", os.O_WRONLY|os.O_CREATE, 666)
fmt.Println(err)
defer file_out.Close()
writer := bufio.NewWriter(file_out)
txt := `a\nb\n\c`
s := fmt.Sprintf(txt)
writer.WriteString(s)
writer.Flush()
}
