• 说明
  • 注：只提取单词就好了，后期的排序，筛选，可以用excel啊
  • 结构
  • 使用
    • 此文不再更新,最新方法参考代码主页txt2dic
  • 执行程序
  • vasp manual的单词整理示例
    • 使用Adobe将vaspGuid.pdf转为txt
    • 结合欧陆词典，去除检索到的无意义词汇

希望将文献,计算软件的在线manual等英文资料中的单词先提取出来，寒假的时候背一下，下学期读文献时可以尽量减少自己的生词数

说明

1. python脚本参考自使用python提取英文文章中的单词及出现的次数(原创)
   
2. 主要文件为txt2dic.py程序,windows可直接使用此程序，里面包含相关内容注释
   主要提取全是字母且长度在4-15的字符串
   
3. 脚本使用python3，在windows10的bash上运行正常
   
4. 此程序目的在于提取相关专业文献中的单词，导入欧陆词典生词本进行背诵，再看文献时能减少自己的生词数
   
5. 软件代码简单，没有加入常用词过滤功能，识别单词质量受限于pdf转txt的软件
6. 代码主页txt2dic下载地址txt2dic-master.zip

   注：只提取单词就好了，后期的排序，筛选，可以用excel啊

   结构

   .
   ├── INPUT 输入文件夹
   │   ├── file1.txt
   │   └── file2.txt
   ├── OUTPUT 输出文件夹
   │   └── output.txt 输出文件
   ├── README.md
   ├── Script
   │   ├──  txt2dic.py txt转dic单词python脚本
   │   └──  txt2word_bash txt提取单词python脚本
   ├── txt2dic.sh 执行程序
   └── txt2word2dic.sh 执行程序
   

   使用

   此文不再更新,最新方法参考代码主页txt2dic

7. 使用Adobe DC等程序将文献pdf导出为txt格式
   
8. 使用记事本打开,另存为UTF8编码(Adobe DC可以直接导出UTF8编码的txt)
   
9. 原始txt还可以来自网页等多种格式,最后保存或转码成UTF8的txt都可以
10. 将文件保存到./INPUT目录
    
11. 运行./txt2dic.sh或txt2word2dic.sh
    
12. 结果输出在OUTPUT目录
    使用欧陆词典网页版在线导入生词

执行程序

• txt中没有无意义字符串时(pdf转txt时识别错误产生)
  txt2dic.sh能够提取txt中的所有只含字母且长度在3-15之间的字符串
• txt中有大量无意义字符串时
  txt2word2dic.sh能提取txt的所有只含字母且长度大于3的字符串,并按照频率排序，然后取频率最高的前5000个词(在txt2word2dic.sh中可修改数量),我认为在输入大量txt文献时，可以剔除一些因为pdf转txt时产生的无意义字符串

vasp manual的单词整理示例

使用Adobe将vaspGuid.pdf转为txt

./txt2dic.sh

结合欧陆词典，去除检索到的无意义词汇

空白的欧陆词典账号（为了防止有笔记，影响后续导出后排序的操作），网页端，学习记录导入output.txt

客户端导出html，浏览器复制，粘贴到excel，按照解释排序或筛选，去除无解释单词，再将单词列提出另存为txt，导入常用欧陆词典账户 随后，只需要将筛选出的列，重新导入常用欧陆词典的网页端即可
我导出的一份vasp guide的单词下载vaspdic

本文首发于我的博客@cndaqiang.
本博客所有文章除特别声明外，均采用 CC BY-SA 4.0 协议 ，转载请注明出处！