你就先這樣再那樣最後完成了嘛

拿到不同時代的不同文本的TXT版本后，進行分詞（能夠細分詞性的那種，我什麽時候去找一下）處理。
然後進行各種分析統計字詞頻率變化，基本就可以水玩了。

关于OCR
我把知道的东西说一下吧，也是我从14年到现在的一点点经验。

1. 古籍方面。目前国内有一些要钱的库，比如说爱如生、鼎秀、雕龙、书同文、大成故纸堆等。这些OCR的模型是没放出来的，是人家吃饭的本。GITHUB上有可能有模型，但是效果懂得都懂。之前阿里和加州大学伯克利分校搞了一个，但是最后什么都没有放出来，离谱。浙大古籍平台可以去看看，但是错误也是有的，我最后来说。还有一个就是基于百度API的手写识别，这个效果也就是那样。
2. 普通中、英文字符。目前遍地开花，最方便是QQ，其次是微软和百度。还有隔壁的ABBYY（需要请去我书库翻一下，第一个文件夹的软件文件夹里面找找）这些大同小异，不足为奇，而且免费。无聊的可以去玩paddleOCR，但是门槛有，不是抄代码的我能解决的。
3. 现状。均通过各种算法想方设法识别字，却不会运用NLP去辅助认字，乱码就是这样出现的。还有就是不公开模型，弄得又要从头再来。报价各家还不低，有是有办法，反正我看不下去这些公司的吃相。
4. 使用差异，QQ别扫手写，认不出来的。特殊符号也有办法，这个我没研究，可以转换为latex（但是错误摆在这。）千百OCR是好东西，API受限罢了，我是自有API，随意。微软认一些吧，手写没办法。ABBYY是拿来压PDF然后搜索的，这样舒服点，错误就错，90%对的就行。

CADAL的百度盘已经拿到了，下了大概1.3T，还在转存。之前115根本没用，谷歌盘不全。

什么时候弄点软件推荐吧，也好整理一下我的书库。

大晚上的接地府

不得不说，爱奇艺就是个垃圾东西。非要客户端下载，下载也不能转换，迭代连编码都改。为何我们只能这样耍小聪明当创新？转换器也自然只能转换之前版本的。国内厂商的阴间地方就在这，供给侧改革的地方也在这。不好好思考供应，却把顾客当傻子。

雜感

很多時候嘛，研究筆記就會發現新的東西。所謂溫故而知新。然而那一天科技樹點歪，點到音韻學去了，發現了各家對於中古音的擬音差異和國際音標如何鍵入。 （更多…）