TextbookVocabExtractor

从教材 PDF 提取词汇表，补充词典释义和 AI 例句，导出供背单词 App 使用的 JSON 数据。

词典数据准备（需手动下载）

本项目不会将词典数据上传到 GitHub，请在本地自行下载并放置。

请下载以下数据，并放到 DICT/ 对应目录：

1. ECDICT
   Link: https://github.com/skywind3000/ECDICT
   放置路径：DICT/ECDICT/stardict.csv

2. ECDICT-5
   Link: https://github.com/H1DDENADM1N/ECCEDICT
   放置路径：DICT/ECDICT-5/stardict.csv

3. DictionaryData
   Link: https://github.com/LinXueyuanStdio/DictionaryData/tree/master
   放置路径：

• DICT/DictionaryData/word.csv
• DICT/DictionaryData/word_translation.csv

本地目录说明

• textbook/：教材 PDF（仅本地使用）
• sentence/：AI 例句 JSON 输入
• output/：最终导出结果

运行方式

./venv/bin/python main.py

流水线步骤：

1. 从 PDF 提取单词和单元（不再使用 PDF 音标）
2. 合并 AI 例句文件
3. 查询词典释义
4. 从本地词典构建全局音标库
5. 合并为最终 JSON
6. 按教材导出“未匹配例句单词”文件
7. 清理中间文件

词典优先级：

• 音标：DictionaryData(word.csv: uk/us) → ECDICT-5 → ECDICT
• 释义：DictionaryData(word_translation.csv) → ECDICT → ECDICT-5

释义补充：

• 当上述词典都未命中释义时，会使用 config/meaning_overrides.json 作为补充词典。

GitHub 同步说明

• 词典数据已在 .gitignore 中忽略，应只保留在本地。
• textbook/ 和 output/ 当前不忽略，便于协作成员直接使用样例数据。
• 如果你之前已经误提交了大文件，需要先取消跟踪：

git rm -r --cached DICT/ECDICT DICT/ECDICT-5 DICT/DictionaryData intermediate venv
git commit -m "chore: ignore local datasets and generated artifacts"

免责声明

• 本项目为学习与技术研究用途，项目本身不内置第三方词典数据与教材版权内容。
• 使用者需自行确认并遵守教材、词典及其他第三方数据的授权条款与适用法律法规。
• 项目与任何教材出版社、词典数据提供方无官方合作或隶属关系。
• 因使用本项目造成的任何版权、数据合规或商业风险，由使用者自行承担。

许可证

本项目采用 MIT License，详见 LICENSE 文件。