整理硬盘，从中翻出了一本DK牛津英汉双解大词典PDF，里面的图片还算清晰，而这本词典文字部分可以算是COD9的再编本，刚好现在有了COD9，想着可以利用其词头做个图片版，于是开始动手。

首先是要整理出每页首字。利用abby fineReader OCR整个pdf，然后保存为每页一个txt文件的形式，主要是便于提取页眉字头。保存为word理论上利用vba也可以提取出页眉字头，可我搜了半天，找不到能利用的api，而保存为每页一个txt文件的形式，页眉字头就在每个txt文件的前两行（页眉无页码的情况）或前三行（页眉有页码的情况），这样利用程序只需依次读取txt文件即可。我用的是C#代码：

var myDir = @"D:\Dicts\ENCN\COD9ENCN\DKtxt";
var files = Directory.GetFiles(myDir);
var list = new List<string>();

foreach (var fi in files)
{
	var sr = new StreamReader(fi);
	var leftWord = sr.ReadLine();
	//var pageNumber = sr.ReadLine(); //如果页眉有页码，则需要读取页码
	var rightWord = sr.ReadLine();
	list.Add($"{leftWord }\t{rightWord}");
}

var saveFile = @$"D:\Dicts\ENCN\COD9ENCN\wordhead.txt";
File.WriteAllLines(saveFile, list);

这样处理后就得到了这个pdf每页的第一个单词和最后一个单词，当然，由于OCR的准确率并非百分百，所以还需要人工校对。把生成的结果复制进excel，主要是检查词头是否缺失或有误，页面左右词头是否颠倒。利益于pdf的清晰度，整个检查过程也就一个多小时。校对基本完成后，把COD9的词条复制到excel中，与校对过的词头页码vlookup，定位条件选择空白，填充，即可得到COD9词条的全部页码信息。

最后把COD9词条和页码信息复制到_img mdx source file converter20220909.xlsm，在pdf导出为jpg图片后，依次填写相关信息，点击简单版图片mdx转换。这一步没想到报了个“溢出”的错误，查看代码，估计是词条太多了，Integer不够用了？把Integer改为Long，大功告成（于是也算解决了个转换工具的bug）：

PS：如果能把这本词典的插图都截取出来，与COD9配合使用，那是再好不过了。虽然有人做出过这本词典的切图版，可终究是未公开。研究了一下PS的抠图和网上的一些抠图的代码，无法成功，只得暂时作罢。

下载地址：

链接: https://pan.baidu.com/s/1SKf1ixvzK_Z5ETLaBva9kA?pwd=65mr 提取码: 65mr