僚人家园

标题: 贝侬辛苦，我来晚了（关于《壮汉词汇》的上传工作） [打印本页]

作者: 沙南曼森 时间: 2005-10-30 18:24
标题: 贝侬辛苦，我来晚了（关于《壮汉词汇》的上传工作）

我这段时间上网少，今天才注意到 SAWLOIH CUENGH GUN 壮汉词汇 http://www.rauz.net/bbs/dispbbs.asp?boardID=20&ID=15270 这个帖子涉及一项宏大的工程。我原先竟以为是一个普通的帖子，惭愧惭愧。

Stoneman、Honghlaj、marsuncle三位贝侬已把《SAWLOIH CUENGH GUN 壮汉词汇》整理上传到正文180页，已完成752页正文的24%，实在了不起。

2002年12月在广西民族报社获赠《壮汉词汇》和《汉壮词汇》之后，我今年初又在南宁文化宫旧书市场上买到一本《壮汉词汇》，可惜它们至今没发挥充分的作用。多备的这一本《壮汉词汇》我得赶快送人才行，不知哪位在南宁或百色的贝侬愿意使之物尽所值（该书目前放在南宁）？

我的扫描仪近半年没启动了，再不用就浪费了。11月份我也来接一棒吧。

[此贴子已经被作者于2005-10-30 18:27:53编辑过]

作者: 红水河 时间: 2005-10-30 18:50
上学的学龄儿童每个人应有一本

作者: 卜蛮 时间: 2005-10-30 19:37
能否仿效布依在线搞个《壮汉电子词典》？http://www.5481.net/bbs/dispbbs.asp?boardID=33&ID=2158

作者: Honghlaj 时间: 2005-10-30 19:44
人多力量大，希望更多贝侬参与此项工作。

作者: 山之凤 时间: 2005-10-30 20:41
沙南曼森贝侬：送给我如何,我手头的这一本是图书馆的。

作者: 闻多 时间: 2005-10-30 21:35
我也想支持一下,我的扫描仪也很久没用了.但总是没有合适的时间.上网来览贴也是很匆忙的.非常遗憾 !

作者: mbwenndit 时间: 2005-10-30 22:19

建议扫描后作个电子图书吧，让更多有需要的贝侬拥有她

作者: Stoneman 时间: 2005-11-1 14:44

有能力做的贝侬能否分工一下？例如，每人每周负责扫描10页，按页码顺序上传，再由 Honghlaj 贝侬 OCR 上传；或会 OCR 的贝侬扫描完后直接上传。愿意参与此项工作的贝侬在开始扫描之前应相互通报一下，以避免做重复工作。11月份按如下去做如何：

沙南曼森：181-190

闻多：191-200

Stoneman： 201-210

沙南曼森：211-220

闻多：221-230

Stoneman： 231-240

如此往后。由 Honghlaj 贝侬统一 OCR 上传。

作者: Honghlaj 时间: 2005-11-1 23:10

我将第1～180页做成了CHM格式的电子书，有谁教我如何上传？

作者: 沙南曼森 时间: 2005-11-2 01:06

以下是引用山之凤在2005-10-30 20:41:29的发言：
沙南曼森贝侬：送给我如何,我手头的这一本是图书馆的。

你学过壮文，送给你应该是合适的。你什么时候有空到南宁呢？不然你通过悄悄话告知你的地址，我给你邮寄过去。

作者: 沙南曼森 时间: 2005-11-2 01:09

以下是引用Stoneman在2005-11-1 14:44:43的发言：

沙南曼森：181-190

闻多：191-200

Stoneman： 201-210

沙南曼森：211-220

闻多：221-230

Stoneman： 231-240

如此往后。由 Honghlaj 贝侬统一 OCR 上传。

昨天我还想着亲自OCR呢。要这样做也行。我想问一下，贝侬用的分辨率是多少呢？方便OCR的分辨率用300，图片大了点。只是用于阅读的话，分辨率用200就可以了。

作者: Stoneman 时间: 2005-11-2 17:27
我不知道我扫描出来的图片的分辨率是多少，一般应在200KB以上OCR才能分辨出来。具体请与Honghlaj 贝侬联系。沙南贝侬，我不知道闻多贝侬愿不愿意参与此项工作？您打算先扫描多少页？

作者: 沙南曼森 时间: 2005-11-2 18:14

今晚先扫描10页吧。如果进度比较快，我就一口气干完20页。

这书是32开的，又比较厚，扫描麻烦一些。如果是16开或A4的，就好操作多了。

我以前扫描、识别（OCR）并校对一页资料所需要的时间是10分钟，10页资料从扫描、识别到校对、编辑，需要约两个小时的时间。今天仅需扫描、上传，花费时间应该不很多。

作者: Honghlaj 时间: 2005-11-2 20:08

以下是引用沙南曼森在2005-11-2 1:09:54的发言：

昨天我还想着亲自OCR呢。要这样做也行。我想问一下，贝侬用的分辨率是多少呢？方便OCR的分辨率用300，图片大了点。只是用于阅读的话，分辨率用200就可以了。

沙南贝侬：如能OCR上来最好，因为OCR比较费时，我最近要进行保先总结，下月又要年终总结迎检，可能忙些，怕赶不上你们的进度。谢谢。

扫描还是分辨率高一些好，识别率高，可以减少校对时间。

[此贴子已经被作者于2005-11-2 20:09:05编辑过]

作者: 季人 时间: 2005-11-3 09:56
各位贝侬扫描之后，我也可以做一些OCR的工作。

作者: Stoneman 时间: 2005-11-3 16:32

本周沙南贝侬负责181-200页，我来负责扫描201-220页，等沙南贝侬上传完181-200页，Honghlaj 贝侬识别、校对、编辑完并上传181-200页后，我再上传201-220页。

季人贝侬如果能做一些OCR的工作是最好不过了。为避免做重复工作，您最好与Honghlaj 贝侬联系分工事宜。

作者: 沙南曼森 时间: 2005-11-3 17:29
昨晚我已经扫描、识别并校对181-185页。因乱码较多，校对工作量大（发现乱码、错字要当场对照原稿修改），每页约需30分钟。今晚再干两个小时，我就可以完成181-190页的扫描、识别、校对及编辑、上传了。

作者: Honghlaj 时间: 2005-11-3 21:02
关于OCR分工：我负责Stoneman贝侬上传的，季人贝侬负责沙南贝侬上传的，如一时无时间，可先回帖，保留位置，完成OCR后再修改帖子，如何？

作者: marsuncle 时间: 2005-11-4 07:56

我用相机拍的话应该比扫描的速度快些，分辨率自然不及扫描仪。不知上面几位觉得如何？？

作者: 季人 时间: 2005-11-4 08:55
沙南贝侬可以通过电子邮件直接把扫描文件发给我。

作者: 沙南曼森 时间: 2005-11-4 09:08

我已完成第181-190页的扫描、识别、校对及编辑、上传。这10页耗费了我5个小时的时间，由此可知Honghlaj等贝侬的艰辛。我用的是方正OCR，差错率挺高，校对效率很低。Honghlaj贝侬用的是哪个OCR软件呢？我感觉你的校对、编辑效率比我高一倍以上。

作者: 沙南曼森 时间: 2005-11-4 09:14

以下是引用Stoneman在2005-11-3 16:32:18的发言：

本周沙南贝侬负责181-200页，我来负责扫描201-220页，等沙南贝侬上传完181-200页，Honghlaj 贝侬识别、校对、编辑完并上传181-200页后，我再上传201-220页。

季人贝侬如果能做一些OCR的工作是最好不过了。为避免做重复工作，您最好与Honghlaj 贝侬联系分工事宜。

191-200页的扫描、识别我暂时没时间来完成。明天起一个星期内我可能都不上网也不用电脑。贝侬可以留一个回帖的位置给191-200页，然后从201页继续往下扫描、识别。我一个星期后再来完成191-200页的相关工作。

作者: Honghlaj 时间: 2005-11-4 12:36

回沙南：我用的是汉王文本王，识别、校对10页约需2.5～3个小时。

回Marsuncle：用相机拍也可以，估计Stoneman也是这样做的。

[此贴子已经被作者于2005-11-4 12:40:17编辑过]

作者: Stoneman 时间: 2005-11-5 15:54

回沙南贝侬：我来负责扫描上传191-210页吧。

回Honghlaj：我是用扫描机扫描的，软件是VistaScan。扫描20页大约用30分钟，上传20页大约也用40到60分钟，因为我没有用宽带。

[此贴子已经被作者于2005-11-6 16:29:19编辑过]

作者: Stoneman 时间: 2005-11-12 16:24
本周末我来负责扫描上传211-230页。愿意帮忙的贝侬请从231页起扫描上传。

作者: Honghlaj 时间: 2005-11-12 20:27

本周至年底我较忙，季人贝侬能否帮忙OCR？谢谢！

期间Stoneman贝侬尽管上传，如我能抽出时间就可以OCR。

作者: marsuncle 时间: 2005-11-13 10:21
gou gaenq hwnjcienz 231-269.

[此贴子已经被作者于2005-11-13 11:35:48编辑过]

作者: 季人 时间: 2005-11-14 10:43

以下是引用Honghlaj在2005-11-12 20:27:27的发言：

本周至年底我较忙，季人贝侬能否帮忙OCR？谢谢！

期间Stoneman贝侬尽管上传，如我能抽出时间就可以OCR。

我开始OCR第211页－220页的内容，分批上传。请各位贝侬注意避免重复劳动。

作者: 季人 时间: 2005-11-15 14:09

第211页－220页OCR并上传完毕。为便于校对，我把扫描图片和OCR后的文本放在一起。

接下来我准备开始OCR第221-230页，请各位贝侬注意避免重复劳动。

作者: marsuncle 时间: 2005-11-15 22:43

gou yaek laebdaeb hwnjcienz 270-290

作者: Stoneman 时间: 2005-11-19 16:13
Marsuncle，季人, song boux sou dwgrengz lo!

作者: 右江水红河岸 时间: 2005-11-19 20:29
gyongq beixnuengx dwgrengz lailai

作者: Honghlaj 时间: 2005-11-19 23:50

以下是引用marsuncle在2005-11-15 22:43:31的发言：

gou yaek laebdaeb hwnjcienz 270-290

首先对Marsuncle贝侬付出的辛劳表示感谢，不可否认你上传的图片分辨率较高，如文字没有变形的，OCR的识别效率比Stoneman贝侬上传的高许多，但也不得不指出的是部分图片（约占1/3强）文字严重变形，严重影响识别，有时甚至比打字还费时，所以还望贝侬能改进。谢谢！

另外，Marsuncle贝侬遗漏了第256页没有上传，哪位贝侬帮忙补上？同时，我已完成第250～269页的OCR，其他贝侬可不再重复劳动。

[此贴子已经被作者于2005-11-20 1:57:38编辑过]

作者: marsuncle 时间: 2005-11-20 02:15

以下是引用Honghlaj在2005-11-19 23:50:24的发言：

另外，Marsuncle贝侬遗漏了第256页没有上传，哪位贝侬帮忙补上？同时，我已完成第250～269页的OCR，其他贝侬可不再重复劳动。

多谢提醒，以后拍照时我会尽量压平书再照。我已经在251-269的帖子中补入256页。

作者: Stoneman 时间: 2005-11-27 15:09

marsuncle, Honghlaj, 季人辛苦啦。我最近换了新工作，比较忙；另外，我的扫描器也出了点问题。所以，下来的工作靠各贝侬了。

作者: marsuncle 时间: 2005-11-27 16:42
mbouj miz problem.

作者: 沙南曼森 时间: 2005-11-27 23:12
291-300页的扫描和识别工作，我明晚来做吧。不好意思了，贝侬们。

作者: 沙南曼森 时间: 2005-11-30 14:37
由于32开的厚书页面太小，压不平，扫描变形严重，识别正确率较低，我在三天里先后弄了三次才把291-300页的资料扫描、识别、校对完毕，今天中午才得以编辑、上传。耽误大家了，不好意思。

作者: 季人 时间: 2005-11-30 17:05

我发现大家在标点符号的使用上有不一致的地方，主要是全角和半角的区别。
虽然是小问题，但是如果能统一起来应该更好。例如在壮文例句中，是否应当全部使用半角符号？

作者: Stoneman 时间: 2005-12-16 14:37
看来季人，沙南最近都很忙，我前两天也才到新公司工作，最近不会有太多时间上网，只有marsuncle 和 Honghlaj 两位在坚持, 两位辛苦啦。

作者: Honghlaj 时间: 2005-12-20 23:34
向Marsuncle贝侬提个意见：上传的图片（如mb311～320）上下部分明暗反差太大，影响识别，希望改进。

作者: marsuncle 时间: 2005-12-25 12:08
honglaj辛苦了！p321 to p330 我来负责好了。

作者: Stoneman 时间: 2005-12-25 16:55
我最近换了新工作，尽管新工作没有前一份工作那么忙，但下来这几个月本人又需忙于准备专业考试，还是不能抽出太多时间来上家园，实在是不好意思。Marsuncle caeuq Honghlaj, gou couh cijndaej baengh song boux beixnuengx sou daeuj nem sat bonj saw neix lo! Gyo'mbaiq sou!

作者: marsuncle 时间: 2005-12-27 12:40
p331 to p400还是我来负责

作者: Stoneman 时间: 2005-12-31 13:23
祝 Honghlaj, marsuncle, 季人，沙南以及各位贝侬及家人新年快乐，身体健康，工作顺利，万事胜意。

作者: 沙南曼森 时间: 2005-12-31 15:24

我们还有半天才到元旦。也祝贝侬元旦快乐！

作者: wenliqan 时间: 2005-12-31 15:45

以下是引用沙南曼森在2005-12-31 15:24:19的发言：

我们还有半天才到元旦。也祝贝侬元旦快乐！

真心祝愿各布贝侬工作顺利!!!身体安康!!!!大家辛苦了!!

作者: 沙南曼森 时间: 2005-12-31 15:54

我离岗那么久了，惭愧啊。其他几位贝侬才真的辛苦了。

作者: 山之凤 时间: 2005-12-31 21:35

Gyongq beix nuengx dwg lengz lo!!

作者: Honghlaj 时间: 2005-12-31 22:52
祝众贝侬新年心想事成，事业兴旺！大家为了家园都辛苦啦！希望家园更上一层楼。

作者: marsuncle 时间: 2006-1-9 11:25
p401-500 我先包下来

作者: 季人 时间: 2006-1-10 13:10

那我负责P501－600吧。

作者: marsuncle 时间: 2006-2-9 23:27

p601-700 gou hwnjcienz liux ho ^_^

[此贴子已经被作者于2006-2-13 11:45:02编辑过]

作者: marsuncle 时间: 2006-2-16 07:12
p701-752 gou rap lo.

作者: 季人 时间: 2006-2-16 08:34

marsuncle贝侬效率太高了！
请问是不是有什么诀窍呢？

作者: marsuncle 时间: 2006-2-16 11:24

也不算什么诀窍，一点心得。说出来与大家分享。

我是用相机拍的，拍的时候在东边的阳台比较好，书朝东面，光线就比较均匀（我今天回到公司在宿舍的阳台拍的，阳台朝北，结果有一边拍出来就比较暗，影响识别）。拍完后输入电脑，用photoshop裁剪和自动光阶处理（若有局部还是较暗的话在那里划一个选区再做自动光阶处理）。OCR我用的是网上下载的汉王文笔王，版面分析我采用手工分析，假如成像质量好的话，就分左右两个版面，不好的话分块甚至逐个条目的分。识别后把文字拷入字处理软件（我用的是wordpad），大致看一下，一般的话经常是 l 识别为 1（数字）, o 识别为 0（数字），n 可能会识别为 l l , u 可能是 t l ，然后用替换功能把这些和大写的全部替换掉。下来的话都是大致看一下，看多壮文了都不一定要对书来校对，一下小差错很明显就能看出来。至于效率，在家里拍的大概1.5-2小时10页，在公司宿舍的大概3小时不到。

[此贴子已经被作者于2006-2-16 11:26:51编辑过]

作者: Honghlaj 时间: 2006-2-18 10:52

真是佩服Marsuncle贝侬，善于利用工具，效率特高！校对方面，我还是发现许多小差错，但瑕不掩瑜，以后慢慢来。

还有，是否把两个附录也弄上来？汉字的识别率会高很多，不会比正文部分多花时间的，期待中。

作者: marsuncle 时间: 2006-2-18 23:45

2 honghlaj,我想可以，坛子的表格功能我试了一下，估计没问题。国际音标的话有部分不能正确显示。老壮文基于俄文字母的，我试过没问题。

[此贴子已经被作者于2006-2-18 23:53:14编辑过]

作者: marsuncle 时间: 2006-3-28 20:09
gou gaenq ingj p541-560 lo.

欢迎光临僚人家园 (http://bbs.rauz.net.cn/)