分享个人使用的网文常见字词替换校对表（含 php 脚本）

adianso

为什么要用php啊

感觉py go更适合做这个工作吧，go静态编译，二进制单文件无需依赖

我目前就是用go写了脚本，用正则批量替换

cumt313

再和楼主探讨一下哈。楼主的脚本运行速度之快，这个不用说了。当下该尽量扩充、完善词库，其他那些小软件中词汇量有限，可以考虑把黑马校对中的词库导出来，据说有几千万的错词库。网上有一个2004破解版的，我一般最后也会拿黑马过一遍，也能改正一些错误。

cumt313

楼主可以看一下我用的词库，也有极少量会误杀的词语，我也在不断增删修改，希望对你完善词库有帮助，后面和你的词库有些是重复的我就删掉了。我使用的词库主要在成语修改那里，宏里面其他词语我还没吸收过来。我觉得里面有些二字词语可以适当加一个字，变成常用、常见的，就可以减少误杀了。正则式替换应该是下一个发展的方向。

edennow

cumt313 发表于 2023-11-18 10:42
楼主可以看一下哈，我就是在这里添加的，之前看错了，我的词库没那么多，我自己只添加了几千条哈。这里面的 ...

这一份我之前就有看过的，我最开始就有把这里面我觉得有用的大部分都整合到脚本里了。

还是对你自己改的词库比较感兴趣，等有空的时候期待你分享一下哈（还有《大英公务员》你改完后的文本）。

cumt313

楼主可以看一下哈，我就是在这里添加的，之前看错了，我的词库没那么多，我自己只添加了几千条哈。这里面的词库你看能不能加到PHP脚本里。

cumt313

edennow 发表于 2023-11-18 09:27
那可以把你的宏也用附件形式分享一下不？当然，如果可以把你改完的那份文本也分享一下就更好了。

我也 ...

我的宏是风遗尘的哈，只是词条我扩充了一点，其他没动。现在加班呢，回家有空我再分享出来哈。我最主要的词条也是从TF上扒的，只是扒的时候，有些我做了修改和删除，因为受够了它的重复、机械操作。另外就是用宏修改后，拿几部小说同时用TF校对，比如要修改”XX的看了“改为”XX地看了“，就会一条一条改，最终确定”XX“的具体文字，然后批量添加到宏脚本去，也不会误杀，就是效率不高。这个方法比较笨，没有用正则式灵活，因为ed的宏好像只能完全匹配才能替换，正则式匹配不会改动。当然，可能是因为我不懂计算机知识，也许是代码不对。我是文科生，大学计算机学习只限于Word，确实是没法动别人的代码。懂这些都是这几年东学西学一点才知道的。

edennow

cumt313 发表于 2023-11-18 08:56
跟楼主再探讨一下哈。我拿楼主校对的《大英公务员》试了一下，我只用ed的宏改了一下原始的文本，也改出了10 ...

那可以把你的宏也用附件形式分享一下不？当然，如果可以把你改完的那份文本也分享一下就更好了。

我也是苦于没有什么比较优质的词库，现在基本是一点点从 tf 的词库往自己的词库里搬。

如果你愿意分享一下的话，后续我也可以转成现在 php 脚本里的词库，继续参考完善。

cumt313

跟楼主再探讨一下哈。我拿楼主校对的《大英公务员》试了一下，我只用ed的宏改了一下原始的文本，也改出了1000多个错误，和楼主改正的错误差不多。实际用了差不多一分钟，远没有楼主的PHP快，这个只要几秒钟。速度上楼主的脚本完胜。说明楼主的大方向完全正确。我把我的改完了，又把楼主的epub文本转换成TXT进行对比，发现我改后和楼主改后的文本居然有四千多处不同。我的ed的宏是在别人的基础上手工加了词条的，从两千多加到差不多两万条，断断续续加了两三年吧。词条的来源主要是TF词库中的词条，然后是别人的读校笔记中的词条，还有就是我自己读校后的词条。因为是手工一条一条加上的，所以费时不少。一个小时估计只能加一百多条，加到两万条就用了我差不多两百个小时。一开始还是有误杀的情况，后来注意到了，基本就没出现过误杀的情况。我加的词条一般是三个字的俗语，四个字的成语，然后是五个字的“的地得”短语，两个字的词语我一般会前后加个标点避免误杀。剩下的两个字的常见错别字我会放到校对助手里面，用校对助手再校对一下，人眼判断。

cumt313

edennow 发表于 2023-11-17 21:23
windows 库文件过时了，
参考 https://www.php.cn/faq/562426.html 重新装一下

感谢楼主，本来躺下了，手机上看到楼主回复消息，又起来重新整了一下，下了X86的版本还是没有解决问题，最后又下了一个X64的版本完美解决。真的太感谢了，感觉打开了一个校对的新天地。我本身也喜欢看小说，一开始是没太注意文本质量的，基本上生冷不忌，但看得多了就渐渐不能忍受文本质量太差的了，错别字太多基本不会看的。在网上也不好找到太如意的版本，就开始自己校对。自己慢慢摸索了几年，学了些大神写的校对帖子，也慢慢在扩充自己的词库，也喜欢并支持自动化处理，因为这是提高效率的必由之路，还能避免一些重复、机械的操作。

edennow

更新记录【2023】
9 月 2 日版本更新，新添加了 1000 条左右的词条，php 程序改成可一键运行，不用考虑自己装环境。

9 月 4 日版本更新，继续完善替换表，新增了 “原文件预处理流程说明”，同时修改 php 脚本以支持这个预处理逻辑。

9 月 4 日版本更新二，继续完善替换表，修改 php 脚本。
新增脚本功能 1：规范“连续多行内容双引号”的写法。
可参考该帖：http://www.1000qm.vip/forum.php?mod=viewthread&tid=322617，
生效前提是：
如果为 txt 文件，需格式化成行首缩进 2 个全角空格，且段落间无空行；
如果为 epub 中的 html 文件，需保证正文内容是写在 <p> 标签中，<p> 不能有属性，比如 <p class="aaa"> 之类的，这种不会生效。

新增脚本功能 2：规范“出乎……意料之外”的错误写法，杜绝这类中小学送分题的病句出现。

9 月 6 日版本更新，完善操作脚本，支持对 epub 文件的一系列操作，详情参考：
http://www.1000qm.vip/forum.php?mod=viewthread&tid=336341

9 月 7 日版本更新，完善校正表，进一步降低误伤率，
本次修改参考了《文章里的虫子》部分介绍，感兴趣可以看下：
https://www.jianshu.com/nb/51091878

9 月 10 日版本更新，修改 php 脚本的校对替换逻辑，显著提升校对速度，以及 epub 从 txt 拆分还原速度。

9 月 20 日版本更新，继续完善替换表，下载了新版本的 emeditor 测试了下，发现之前 emeditor 宏报错的原因是：这个含有大量中文内容的宏文件编码应该必须改成 gb2312 或 gbk（为啥 utf8 不行……）。

10 月 12 日版本更新，继续完善替换表，增加了 php 脚本对正则表达式转换的支持，以及繁体中文转简体（默认不开启）的功能，开启方法请看上方的“修改校正表说明”一节。

10 月 21 日版本更新，继续完善替换表，在 php 脚本中引入 txtFormat v2.0.8 的完整错别字词库（默认不开启），该词库包含约十万条词条，开启方法请看上方的“修改校正表说明”一节。

11 月 15 日版本更新，继续完善替换表，在 php 脚本中引入 txtFormat v2.0.8 的“的地得”词库（默认不开启），该词库包含约一万条词条，开启方法请看上方的“修改校正表说明”一节。
支持“将阅读软件的批注自动转成校对替换表”，详情见：操作流程

12 月 24 日版本更新，重新整理了词库的词条替换逻辑，并完善了相关词条设置，移除了原来瞎搞的 repeat_skip 二次替换逻辑，准确率应该有所提升，如果有在使用该脚本，建议更新一下，并尝试阅读理解一下帖子里的 词条替换逻辑 一节。
顺便移除了原来无脑转换的 emeditor 宏（没心思去优化，效率和准确率都较低）。

12 月 26 日版本更新，继续完善替换表，尝试引入 gojieba 分词，但按目前的词条设置来看，不太适合利用分词来提升准确率，故暂不启用，可以自行尝试编译 src/tools 中的 gojieba.go 并修改 main.php 中的分词开关。

12 月 28 日版本更新，继续完善替换表，新增单双引号的查错和把【双引号外的单引号】统一规范成双引号的功能。
详情见：引号查错