【史上最全】在线词典抓取、制作技术汇总

bt4baidu

. S# u( w  [8 R1 ^& V7 k
这篇文章主要是给计算机小白和初学者扫盲。
本人尽量写得浅显一点, 希望完全没接触过计算机编程的文科生也可以看懂。
; E6 G7 _# w# D3 K* e4 |只讲原理和思路, 具体的编程语言、语法之类的问题自己找资料解决，网上到处都是。
# k1 B5 `6 B' D* J! a5 @) T7 w
一、计算机的两个终极哲学问题
1936年，图灵在他的重要论文《论可计算数及其在判定问题上的应用》里，提出著名的“图灵机”的设想。
- D/ v+ [7 s3 m/ g: _, B图灵机被公认为现代计算机的原型，它的工作原理简单来说是这样的：
设想一条无限长的纸带，上面分成了一个个的小方格，方格有两种：空白的和上面有“—”的；
机器读入纸带上的方格信息，根据这些信息, 结合自己的内部状态查找程序表，输出计算结果。
# U2 d/ t6 W3 y( x方格信息代表了解决某一问题所需要的步骤，这样进行下去，就可以模拟人类的任何计算过程。
“纸带方格”代表外部输入，“内部状态查找程序表”代表算法——也就是程序，要靠人来写的。

那么要写出程序，立即就会发现不得不解决两个问题：
1、怎么知道机器当前读入的是哪个方格？怎么读到具体某一个方格？也就是寻址。
2、怎么把两种方格区分开？也就是特征识别。
这两个问题，就是计算机的终极哲学问题。
理论上，所有的计算机程序问题都可以逐步分解下去，最终分解为这两个基本问题。
下面的讲解也会以这两个问题为核心展开。
: m5 b. K' G( i& Z
2 s  y& Z5 O9 \4 j8 l; fBTW, 如果你能想通这两个问题，遇到编程问题都可以这样子分解一下，把自己想象成一台图灵机，
——所谓“采用程序化思维”，也就相当于打通了任督二脉，立即具有了至少10年的编程内功。
所谓编程，本质上就是一种读取、存放、组织、区分数据，然后按照具体业务计算出结果的活动。
前者是核心，“我强烈建议围绕着数据来设计代码，而不是反其道而行之...坏程序员总是担心他们的代码，
而优秀的程序员则会担心数据结构和它们之间的关系。”——Linus曰。
具体的招式，也就是某种具体编程语言的语法，花个半天功夫就能学会的。
: q8 h' z3 ~) U' k, `. [: o8 A
; d+ y1 Z5 y0 M- d5 L, ]3 x不要觉得自己上学时学的不是这个，or文科生，就不行。
江民杀毒软件大家想必都听说过。
5 O. W, c/ x0 B" m4 s: g2 u( Z创始人王江民同志，初中毕业，38岁才开始自学计算机，不出几年，就成为中国最早的反病毒专家。
咱不奢望成为专家，写写程序总还是可以的吧？

二、采用何种编程语言
上面已经说过，存放、读取、组织、区分数据是编程的核心问题。
# [. n7 A3 R% F0 s  {显然，能够方便的进行上述四种活动的编程语言就是最好用、最易上手的编程语言。
3 [# h* U4 q) \0 B$ [抓网站，恐怕没有哪种语言比Python更方便。
) l" w9 y5 I) X- L当然，你要愿意，用C语言也不是不可以，不过可不是那么容易上手，
计算机专业的学生，有些到了大四毕业居然还搞不清何为指针、何为引用...这些家伙还是趁早转行，
: z  h) }( |" r/ F没有慧根就别吃这碗饭。

三、网站抓取技术
: s3 _3 x/ v. e; O$ D1、下载某一个网页，提取其内容
' l; w9 F0 g. d! p% |. D( X! [以前写过一篇，就不重复了。参考：
用一个简单的例子讲讲怎样从网站上扒数据

2、寻址问题
. s" g) T: \( \+ m; [2 y8 c下载网页，自然首先要知道网址，也就是东西放在哪儿。
/ C, ~- F  Z! J( j7 ?1 j$ ~( X如果事先有个单词总表，那是最简单不过，立即就可以根据网站的网址规则拼出来。
但是大部分在线词典，到底收了多少单词，事先是完全不知道的，
要把单词弄全，就要想办法得到每个单词的网址。
总结各主流词典网站，大概可以分为这么几类：
I. 事先有单词总表
比如http://www.vocabulary.com就是这种类型。
2 S& \- o2 y' q- v" Q0 Z它是在wordnet3.0的基础上编纂的，直接用wordnet3.0的词汇表拼网址就可以。
7 t) K9 G" j9 B- S4 p
II. 网站有索引页面
4 I- P/ _- ^& w6 o# J如：
- T- X! _- \; I7 r4 fOALD（http://www.oxfordlearnersdictionaries.com/）
它的索引页在 http://www.oxfordlearnersdictionaries.com/browse/english/
LDOCE（http://global.longmandictionaries.com/）
采用框架结构，左侧边栏就是索引页
MWC（http://www.merriam-webster.com）
索引页在 http://www.merriam-webster.com/browse/dictionary/
等等
这类也容易搞，思路是先从索引页得到单词表和网址，再一个个下载。
! X: F# N* e, ?: X  K

1. 
   2 `: f% L8 s' Y+ b3 W2 H- m
2. urls = []
   
3. for someindex in indexs: # 循环所有索引页
   , T( k; a& Y/ \1 h
4.     browseurl = ''.join(['http://somewebsite.com/', someindex])
   6 O- I5 h- H9 j7 b0 ^
5.     browsepage = getpage(browseurl) # 下载索引页面
   5 H; h% n( w0 X* Q
6.     target = SoupStrainer('sometag', class_='target') # 抠出放单词链接的区域
   
7.     bs = BeautifulSoup(browsepage, parse_only=target)
   & \2 l8 m5 b" C4 z; X0 }
8.     if bs:
   
9.         for a in bs.find_all('a'):
   6 x. R( X" [+ M; n" t  @
10.             urls.append((a.string, a['href'])) # 取得该索引页上全部单词及链接
    # U* k9 B# @' G
11. 然后：
    4 W& B/ ~; V3 b
12. for url in urls: # 循环所有单词
    
13.     wordpage = getpage(url) # 下载单词页面
    4 D1 b0 M2 F# P* X* s+ }

复制代码

, h- L+ N/ J2 U" C
III. 索引页和单词释义一体型网站
如：Online Etymology（http://www.etymonline.com/）
和上述II.处理方式相同，在循环索引页的过程中把单词抠出来即可

1. 
   5 t8 Z9 x: ^0 t$ g1 M
2. for someindex in indexs: # 循环所有索引页
   * A# D$ c0 Q6 ~0 v& k
3.     browseurl = ''.join(['http://somewebsite.com/', someindex])
   / B! _' S1 p7 x( v3 g: `9 j1 V
4.     page = getpage(browseurl) # 下载页面
   ( h, J( R& O+ {& }8 V  u9 T
5.     target = SoupStrainer('sometag', class_='target') # 抠出放单词的区域
   % ?* [. J$ o0 A: k0 N
6.     bs = BeautifulSoup(page, parse_only=target)
   
7.     for tag in bs.find_all(target): # 循环抠出单词
   
8.         worddefine = getworddefine(tag)
   

复制代码

$ q  L0 f1 _  b/ d& D$ A6 V$ N' E& lIV. 片断索引型网站
6 {7 C$ L; j2 ]( K# P: z如：
( j. u, O* t, o" Z3 n) gODE（http://www.oxforddictionaries.com/）
每查一个单词，右侧边栏有个Nearby words
2 a4 l- t5 h/ Y: }RHD（http://dictionary.reference.com/）
右侧边栏有Nearby words
CALD（http://dictionary.cambridge.org/）
2 U( n8 F* w/ u- x2 `. T* i在页面的最下面有个Browse栏，给出前后相邻的单词
这类网站没有总索引，只好利用它的Nearby栏。
, a6 Z* _( _6 r5 A' p  r; _' N. ]思路是从第一个单词（一般为‘a’或者符号数字之类的）开始抓，
7 S- F& p$ S: e. U每抓一个单词，同时得到下一个单词的网址，直到最后一个单词结束（一般为‘zzz’什么的）
9 n+ I' C+ g$ E% L% q/ o

1. 
   : M7 z+ a6 l# x8 D
2. cur = 'a'
   3 ]8 C, F- Y, S; x( g" |  Y% e8 K
3. end = 'z'
   
4. nexturl = ''.join(['http://somewebsite.com/', cur])
   
5. while cur!=end and nexturl:
   
6.     page = getpage(nexturl) # 下载单词页面
   
7.     worddefine, cur, nexturl = getword(page)  # 得到本单词释义、下一个单词及其链接
   

复制代码

4 p: e! W& a. `( _. w+ ~! L9 ~, m6 Q1 XV. 完全没有任何索引，那就没法子了
% B2 `4 Y- h" E当然穷举算是一个办法，自己搞一个庞大的单词表，然后按I.的步骤处理
理论上也是可以的，就是效率差一点；
! E/ u% N& z9 {! {另外各家新词收录情况不一，有些词组、短语拼法也不太一致，单词表准备得不充分就没法完全网罗。

3、提高下载效率
) N% p; A/ l0 q; x. Y* p, n# hI. 多进程
, i7 y3 I8 c) t上面写的都是伪代码，也就是简单示范一下处理流程，直接写个循环了事。
实际抓网站时，这么做效率显然是非常低的。
  v1 M8 n) w. g: _. Z3 ^' |假如有十万个单词，每个单词需要1秒，循环十万次就是差不多28小时，要花掉一天，
' C+ G+ |" z$ e1 {有些网站还经常抽风，半分钟下载不了一个单词，那就更慢。
/ x2 x* I- H% L0 Z假如在这段时间内，你家猫咪把电源插头给挠掉，或者键盘被女秘书不小心坐到了呢？
要速战速决，就得开多进程。
3 Z* o; W3 w/ T9 X, Y" f同样十万个单词，分成25个进程下，也就是28/25=1个多小时。
9 J5 P2 B* |& K9 ~7 S再开多一点呢？岂不更快。。。那样硬盘就转不动了，所以也是有极限的，要看PC的配置。
在Python里开多进程，同样十分简单，

1. 
   
2. from multiprocessing import Pool
   ; L& ?# F" N, X+ O
3. pool = Pool(25) # 开25个进程
   
4. pool.map(downloadloop, args) # downloadloop是下载函数，args是其参数
   

复制代码

这就搞定了。
. v) R7 D6 P% o6 e( r) q, Z
. I: Y: B  d1 ?; E; ?( r对于上述I.~III.，包括V.，分块比较容易，无非是把一个大数组分成25份，
关于IV.，事先没有单词总表，就只好采用区间的概念，
比如('a', 'b'), ('b', 'c')。。。这样划分若干个区间下载
9 t4 ?, Q' [' A; [4 g+ y
初学编程的人，一碰到进程、线程，常常有种畏惧感，
* a. P: s' e/ v: J# c2 H2 v看到同步锁、共享内存、信号量什么的顿时觉得头大。
* C; u: f6 i/ ?2 k其实没什么好怕的，这是个寻址问题，关键是搞清楚它的内存空间构造是怎样的，
其中涉及到一点操作系统、读写互斥、原子操作的概念，找相关的书了解一下即可，没有特别难以理解的。

8 L* C" s0 S) U4 k$ d6 a7 C; {& aII. 断点续传
( s! J$ T3 h* f事情永远不是那么完美的，网络连接随时有可能中断，网站可能存在瑕疵、死链。
所以下载程序也要有点容错的功能，最好莫过于可以自行从中断处恢复，完全无需人工干预；
即便无法自行恢复，也得容易手工处理，不然可有的烦了。
这也是个寻址问题：关键是搞清楚从什么地方断的，把它标记下来；循环检测没下完的区块，从中断处接着下，
) U1 C5 U+ U3 u2 m, C直到所有区块下完。

1. 
   1 N$ X" ?% Q0 Z3 o! Y' m
2. def fetch_a_word(part, word, url, data): # 下载一个单词
   
3.     word_define, failed = get_a_word_from_website(word, url)
   0 h6 d0 H. o* p/ H: s0 l
4.     if failed:
   9 `' {7 S" Q% K$ N* r
5.         dump_failed_word(part) # 输出下载失败的单词及网址
   ' P1 n2 U  I' z( |" W1 q
6.         return False
   
7.     else:
   
8.         data.append(word_define) # 保存下载成功的单词数据
   
9.         return True
   
10. 
    / L% a. J# j' e) h, S
11. def download(part): # 下载一个区块
    $ n% m& D! d, q, U- i  z/ M! h; O
12.     words = getwordlist(part) # 读取单词总表
    
13.     if hasfailed(part):
    2 s% M9 h2 M) S7 U: x
14.         word, url = read_failed_word(part) # 读取前次下载失败的单词及网址
    2 h5 j% Z4 `4 K
15.     else:
    " ]4 q) S2 Z5 G# z) x
16.         word, url = words[0] # 首次从头下载
    - M/ r% K. b+ r0 z. y' C
17.     data = [] # 用来存放单词定义
    - g# p# Q: E% `1 j5 g# f
18.     while not_end(words): # 循环下载
    6 M8 E0 T& i0 }8 R- }- I
19.         if not fetch_a_word(part, word, url, data):
    4 j, k+ L# T) W  r+ m) S
20.             failed = True
    4 I8 y* Y) J! i7 W& N) q2 M$ W, O
21.             break
    
22.         else:
    
23.             word, url = get_next_word(words) # 准备下一个单词及其网址
    
24.     if failed:
    7 Q6 C+ x, b2 R- _! g+ D
25.         suffix = '.part'
    
26.     dump_data(data, suffix) # 输出下载成功的单词，若因下载失败中断，文件名加后缀'.part'
    $ Q% {$ T3 B9 ]6 x- @# B( L: E+ P
27. 
    
28. def isfinished(part) : # 判断某区块是否下载完成
    " l" P& y; y$ A4 F9 h1 R
29.     if is_data_file_exists(''.join([path, part])): # 通过检查数据文件有没有生成来判断
    
30.         return True
    
31.     else:
    
32.         return False
    ) d, K: H5 V! Y" j. H" b7 ]
33. 
    . |! e& ?+ c7 }
34. def downloadloop(): # 循环检测未下完的区块
    
35.     finished = 0
    , n( e  Z' I, t$ T: S! G
36.     while not finished:
    
37.         nf = [] # 没下完的区块
    8 Z$ `4 `6 k9 Y8 R$ L
38.         for part in parts:
    7 c/ A. T& y$ o5 j+ K+ D- X
39.             if not isfinished(part):
    9 x4 b" C+ k- k, }
40.                 nf.append(part)
    
41.         finished = not nf
    
42.         for part in nf:
    
43.             download(part)
    ! q6 o( l9 }! W8 A& ^; W

复制代码

( _7 y# G+ x% q3 Q2 a/ m0 l4 u
III. 高速下载网页的小技巧
) E8 l7 [& i( d2 ~3 f3 [4 ~9 L6 FPython里面有三个库都可以用来下载网页：urllib2、urllib3和requests。
其中urllib2是Python原生的，urllib3和requests为第三方库。
（似乎Python3已经把urllib3收编为正规军了）
3 p* z. F1 H& {8 v+ D3 G! }这三个库有什么区别呢？
形象点说，urllib2相当于去别人家“拿”东西，开门只拿一件，然后关上门，再开门拿下一件的家伙。
再笨的贼也没有这么干的，不停地开、关门太浪费时间，也容易招警察；同样，频繁连接也会网站被封IP，
3 D  _" w) H: I, _& t3 I所以urllib3在urllib2基础上加了一个HTTP连接池，保持连接不中断，打开门以后一次拿个够，然后关门走人。
但是urllib3有个问题，它不支持cookie，所以无法保存用户信息，遇到需要登录的网站就没辙了。
* `3 E& ^+ j9 V  `这时候就该轮到requests出场。requests在urllib3的基础上又进化了一步，它可以通过session来保存用户信息，
- M6 S  [4 @5 r) j9 `: ~通吃一切网站。
所以你完全可以只用requests，忽略另外两个。不过我一般习惯用urllib3，只在需要登录的时候才用requests。
! y5 \4 X! {, \) C+ S) D5 A这仨库的用法都非常简单, 两个第三方库都有齐全的文档可供随时参考，虽然大多数功能都用不到：
- l/ y8 T* a  }6 U' k; |2 \3 Fhttp://urllib3.readthedocs.org/en/latest/
http://docs.python-requests.org/en/latest/：

1. 
   5 I" q& \# s! P; b
2. #urllib2
   2 Z( g& b" G4 Y; {# S) J( }: B
3. import urllib2
   
4. def getpage(url):
   0 ?* W% [  S* H' x7 f$ t
5.     req = urllib2.Request(url)
   / c. Z2 v4 k! [2 B
6.     response = urllib2.urlopen(req)
   
7.     page = response.read()
   * k: E3 h+ z5 A
8. 
   7 K% G) S: z  F' @( n% y
9. #urllib3
   . K, c' b9 ~3 ]8 D9 H8 H% O7 i( W! D
10. from urllib3 import PoolManager
    
11. http = PoolManager()
    ) p& ?$ D+ }6 y! e0 s
12. def getpage(http, url):
    
13.     r = http.request('GET', url)
    * K5 X& F8 {% R3 {
14.     if r.status == 200:
      |6 G" N! Y+ N2 P- ^3 H
15.         return r.data
    + o! \* W7 O2 I
16.     else:
    $ A$ a0 {' r# a" L* w+ ?8 A
17.         return None
    " p& f# h- ?$ v5 P- \2 ^
18. 
    
19. #requests
    ( a" `2 i$ ~/ Q# u8 Y
20. import requests
    
21. session = requests.Session()
    
22. def getpage(session, url):
    9 g( [8 ^7 U, N/ E+ w" E9 ^4 `
23.     r = session.get(url, timeout=10)
    * p4 X. ^! O: @) U7 ]1 f6 i
24.     if r.status == 200:
    ; |3 h' ?6 T$ F0 t
25.         return r.content
    1 ?' k$ h& h  X  y) z" x
26.     else:
    ' y' P" h, ]; ^' A  u# n; A0 v
27.         return None
      f  S3 H( P6 Q% T( ]% ^( m

复制代码

四、后期制作
. V  O4 w4 c5 H, N1、文本处理，是个特征识别问题。
5 f3 s+ H& b0 l  |本质上是找到满足某种模式的一串数据，按一定的规则转换成另一种模式。
# d1 ^5 |' }9 g% v! N5 Q当前的大热门：生物识别（人脸、指纹、静脉、虹膜。。。）、语音/摄像头输入（智能家电、自动驾驶。。。）
) C* N& E* F) ^  _都涉及到特征识别问题。
相比这些高难度动作，文本处理算是比较简单、基础。
Python里常用的文本处理技术：正则表达式、BeatifulSoup、lxml
& ^( [2 X% _  b  u正则表达式非常强大，但没法处理递归嵌套的标签型数据
# ^$ }% }$ H- l（如：<div>第1层<div>第2层<div>第3层</div></div>...</div>，这已经不属于正则文法的范畴）；
0 U7 `+ {6 q: OBeatifulSoup/lxml可以处理嵌套的标签型数据，普通文本则无法处理。
* V9 g' o; t8 k' a( O9 h5 b# O" L8 c所以常常要结合使用。
这些难度都不大，关键是胆大心细、思维缜密，不厌其烦，慢工出细活。
6 n  }$ b# R+ o3 c7 W- N
2、排版
HTML、CSS的基础知识：
; }; A1 {  h3 @" E' _) P7 ahttp://www.w3school.com.cn/html/index.asp
1 V0 B: G  O" D: {. g& Shttp://www.w3school.com.cn/css/index.asp
http://www.w3school.com.cn/css3/index.asp
3 K: E3 A) ?* ~: o! \) g8 S非常系统、非常全面。
5 j' t7 U+ t/ G3 j排版词典需要用到的HTML/CSS知识并不太多，遇到问题参考上述网站即可。
4 k! Z7 P' U3 s  k  N: z. `
8 R, T, O5 E& u' \五、结语
9 Z9 D4 g& g$ y花点时间写个科普文，主要是考虑到确实有些文科同学or计算机小白想制作词典，但没有思路，无从下手。
" V% l: y8 p6 M; `0 l, z. Z所谓术业有专攻，为学有先后，总结一点经验分享出来，也算是对社会做点贡献——
大家有个切实可行的方法参照，不至于绕太多弯路，浪费太多时间，从而节约了社会成本。
( b% g2 G! y& G+ t* Q6 y
8 |) A0 P' M6 d5 h打算做万年伸手党的同学，本人也没想过要鼓动你们，继续做伸手党好了，热心人还是挺多的，时常有不错的新作发布。
) ?8 Y- L& M3 e7 L$ ]5 J) Y
只是拜托不要打扰别人，真想要就自己动手。
尤其不要抱着“你手熟，水平高，做得比我快”的想法，觉得找别人做词典就特别理直气壮、理所当然。
水平再高也要花时间；同时，水平高也意味着其单位时间的价值要超过水平低的人。
虽然每个人都觉得自己至高无上，应当受到别人重视，
6 i0 L% j# v* y+ @, r其实“在你做出惊天动地的大事、拥有巨大名声之前，你在别人眼里就是个屁”——Bill Gates曰
8 s2 H- R# d  T& y' Q5 r. R' t. x
( F# Y7 f9 c. r
: ~  u/ n$ Y8 n& o4 I' x( i9 `========
六、拾遗
- k: S7 g) N0 e. }% A5 B) ?关于上述IV. 片断索引型网站，有坛友指出ODE、RHU等都有索引页，因此可以归到第II.类
确实如此
不过这里只是举例而已，不用太较真啦
, G. ?* K' K) o, U* V5 R实际操作过程中，由于网站可能存在索引不全、死链、交叉跳转及数据瑕疵，往往要将II.和IV. 的方法结合起来用，否则不是抓重就是抓漏
* {) M' D7 A% L. g- D. R* V+ |这种综合性的抓取方法，本人称之为单词表密集轰炸+广度扩展法。
0 m: q2 B- i2 e% a% a5 F. E9 i$ e即，
) g0 q' A- f, q3 w第一轮：先从索引页面获取全部的词头（集合A），再用这些词头去网站下载单词，同时提取每个单词页面里指向其它单词的链接（集合B）
第二轮：从集合B里删除已在集合A里的词头，得集合C；再用这个集合C里的词头去下载单词，并提取每个页面里的链接（集合D）
第三轮：从集合D里删除已在集合A和B的并集里的词头，然后重复第二轮的后几步动作
! [7 m9 k5 ?; B( K$ y3 N3 A。。。
直到无法提取到新链接时，结束下载。大部分时候，第二轮结束时就已经提取不到新链接（即集合D为空）
最近新做的RHU、CED、WBD，均是采用这种方法，速度快，容错性强，效果极好。
形象点说，这种方法相当于草原上先有若干个着火点，这些着火点会把其周围的草地点着，最终烧光整片草原。
因为一开始着火点就已经比较多（索引页的大篇单词表），所以会烧得非常快、非常完整。
. L% ?: x- U3 T5 p1 r# Q5 f  U4 v

bt4baidu

Oeasy 发表于 2014-10-24 18:41
- `- p$ f1 z0 j" K* ^感谢楼主分享知识和经验。
; a# T' A" ~( p! c/ V
* _5 ~3 u" k1 G0 e每个人的时间都很宝贵。希望大家珍惜自己的时间，同时也要 ...

4 g; F/ g: f% E* `& Q* X1 V现有的mdx词典，其实足够绝大多数人用一辈子的了

本人前段时间制作、收集了不少，经过一段时间的比较、试用、淘汰，只留下目前最常用的，也就八九本而已；未来相当一段时间内，本人应该是不会再出手的了，除非之前发的wish list里提到的几本有合适的数据来源。

% U! J- R4 ~( }( S( k. W& j本人最常用的词典：
主力阵容：VOC、ODE、WBD。
0 r4 w% O- H3 Q! x7 d; H三本都是中型词典，收词量均在14w上下，以本人目前的阅读面来看，还未遇到这三本里面查不到的单词、未收录的义项。据说史上掌握单词量最大的人是政治家兼散文家丘吉尔，也没超过14w。除非钻故纸堆，恐怕用到W3、SOED的机会不多。
' D1 p- g: D- K" `( }* E/ z" j- ]
% S$ ?7 L, |' W* R3 ^: h) i, J替补阵容：LDOCE、词源、短语8in1、韦小黄&韦小绿、Garner Usage。
LDOCE用来查常用词的惯用法/搭配、语法信息；
% Z* u( V( E) z3 b- {  b+ q; F词源用来辅助理解、记忆单词；
短语8in1用来查漏网的惯用搭配、非正规用法；
韦小黄/Garner Usage用来辨析/比较同义反义、正误用法；
韦小绿用来辅助理解、记忆大词。小绿真是本好词典，有人说里面收的单词都是一辈子才能见一次的那种，其实不然。它虽然只收了1400多词，却几乎都是高频的大词。从本人的使用体验看，查得率相当高。比如最近看新闻说一种超大蜘蛛，里面有个词arachnid。别的词典只是干巴巴地说4对脚的生物之类的，只有韦小绿说了它的来源：从前有个女孩叫Arachne，编织技艺了得，把雅典娜女神给比下去了，结果激怒了女神，被她变成蜘蛛，终身织网。这种解释多有意思，看了永远忘不了。
) ]& C7 w& B/ G5 M( _8 H2 G' k
上述词典，坛子里都有，无非是版本新一点旧一点。比如朗文5和朗文6，有人统计95%以上的内容都是一样的。如果是完美性格，非要用最新版，那就只有自己动手。不会有人在词典出版的第一年就去挑战版权方的。
4 n- J& Y" F) w" e, c6 a* J“对于好学生，任何教育资源都应该是免费的”。虽然本人同意这种说法，也认为现行的版权制度存在重大问题——有人靠垄断知识获利，却完全合法；但是本人从未打算挑衅版权方，更未想过做Aaron Swartz那样的斗士。靠垄断知识获利是有点无耻，但如果没有利润，也就不会有人去做整理资料的事，这确实是个难题。
4 N/ D6 f% {( y) q, U0 f
' k- b# k, x+ S+ N5 Q还有些人没事喜欢收藏词典，收集了一大堆，却从来不用。说到词典收藏癖，想起以前的一位室友，那家伙每天最大的兴趣就是下载影片刻光盘，大概刻了几百张，还在不停地刻。但是从没见他看过，他也不让别人看。
这种癖好大概是来自于原始社会的一种遗传，人们总觉得应该储备点东西，说不定未来某一天就会用到。其实那一天说不定永远也不会到来，不如就把今天当作那一天好了。有多少人买了一书柜的书，到死的那一天都没看完，甚至有些书连封皮都没揭开过。

happlebao

针对

IV. 片断索引型网站

说一下。
( p; x: z7 O7 d其实只是你没有发现而已。
ODE： http://www.oxforddictionaries.com/browse/english/
RHD：http://dictionary.reference.com/list/a/
5 n3 X6 a9 [: N9 X: U! D4 W4 MCALD：http://dictionary.cambridge.org/browse/learner-english/
( Y7 z8 U6 n' y
: `9 e) p8 Z5 d( E& e3 Q! R如果不想写爬虫来找索引入口，那么就要用好 Google 。答案肯定就在第一页。
* O& N  V9 J% e) h& |4 |- z以第二个为例：
inurl:browse | inurl:list site:dictionary.reference.com

PS：最近才发现这里，发现资料很多啊。

bt4baidu

排版、修改他人制成品小技巧

假如下载了别人制作的词典，对其中某一块的配色、缩进等不太满意，想自己动手改改
或者，看到别人的排版比较舒服，自己制作词典的时候想借鉴一下
结果解开mdd，打开css文件，看到上百行密密麻麻的文字还真是有点晕。。。
5 w" l- Z5 z, @. B: G( ^% v这里有个比较省时省力的小技巧，可以快速定位到想找的地方
- n+ S: Z' F( Y6 r$ c0 A
1、Goldendict里，在想修改的地方点右键，有个“审查元素”：

0 a6 E% V' ~% W5 \, X
2、点进去会打开webkit浏览器的调试窗口，红框圈起来的地方就是了，想借鉴就直接copy-paste到自己的css里完事


3、修改就用Gettext等工具解开mdd文件，然后打开css改相应的地方


2 Z; k$ N* s7 e6 ]* a' c2 ~收工

Oeasy

2 s% l2 U2 z! l- ~5 ?& Z, e

# e1 @4 @& `  t6 k% E4 d( p感谢楼主分享知识和经验。
( m6 s- ~4 n4 k: f* ~% E
5 i& F3 t% w# W  R5 N& c每个人的时间都很宝贵。希望大家珍惜自己的时间，同时也要珍惜别人的时间。别人没有帮助你的义务。

' }6 U; `7 |7 H/ b, V: d, X. u: `9 g私下里也有人找我各种求助，如果是举手之劳，我顺手就帮了。
* X: w* k& b1 ]: \0 ~
0 h  t' E' T9 f& R0 i但是如果耗时需要两分钟以上，我基本都是直接或间接拒绝。

% f8 L! _* L9 z6 _5 r, V2 z; M! r) z除非对方很有礼貌，懂得如何提问和求助，提问之前自己思考、搜索过，再或者提问的是熟人或者他的问题我也很感兴趣，通过帮助他，我自己也能收获些东西。

0 M1 L5 n) {3 Z1 o


! k# Y% S0 P- i1 s# s. v- Q/ g

bt4baidu

Windows下制作词典必备的文本处理软件：

• EmEditor
• Beyond compare
  

8 b8 B. c$ B# h
1 E- c. F& N: a. P9 u, E+ H% l+ T前者用于编辑，后者用于差分比较
处理300Mb以上的超大尺寸文本文件毫无压力，实在是无比强悍

oltiger

bt4baidu 发表于 2014-10-25 21:01
现有的mdx词典，其实足够绝大多数人用一辈子的了

本人前段时间制作、收集了不少，经过一段时间的比较 ...

肺腑之言。

bt4baidu

关于字体，请参考
% Y, P; \) \4 s& t6 \7 C
网页设计中最常用的字体有哪些？（中文和英文）
http://www.zhihu.com/question/19680724

8 N% D2 U# o6 ?& l: p本人用的最多的是Lucida Grande、Helvetica，正文里的斜体字首选Georgia，音标用Lucida Sans Unicode
这几种字体在Windows、苹果OS上显示效果都不错，字号也比较全
0 r) G% v: F. x# D, X4 ]5 n* K& ?另外Open Sans字体也挺漂亮
! i$ x/ ^( a; {1 T) a0 s! I

flczjc

看了之后发现我确实没这慧根，老老实实找点现成的字典用用算了

是小樾啊

bt4baidu 发表于 2014-10-22 20:21
7 L. E$ K2 e4 T) @# S最好带着一个问题，在解决问题的过程中边用边学，比如抓词典；否则泛泛的看书、看资料、做一些不痛不痒的 ...

感觉找到适合自己的问题好少啊
5 s  I/ @4 _5 r3 m3 W; T7 W# y2 k这个适合的话感觉是兴趣和难度
想请教一下楼主是怎么处理这些问题的呢
5 W3 u; S1 k9 p2 T) ?& z# ^4 A! v还有种不系统的感觉

hidroid

谢谢分享，很不错

kevinmzm

Thank you for your good lecture. Will see if I can comprehend a point or two.

louislaolu

; c/ v0 n4 P; k( Y7 @写得很好。刚看前几行的时候，的确激动了一下子。虽然没怎么懂，但是第一次能坚持把这样的东西看完，觉得也是对自我的一次超越。谢谢！

ceoyee

這個要推~ 謝謝百度哥

houbible

强大的教程，谢谢分享经验！谢谢bt4baidu！

chigre3

受教了, ~\(≧▽≦)/~一个!

belleyeah

先收藏了。慢慢看。

cenfit

已经收藏，谢谢！

wenlishahsa

辛苦了，谢谢！！

Hugh

学习！

bt4baidu

9 E1 i/ Y2 h# n; b" z, G( {9 n3 `java和.net就是个垃圾，我懒得提而已
' W  g+ z- p0 o, {4 X; ^" O/ @7 v在Linus这样的大神眼里，连C++都是垃圾：
http://www.csdn.net/article/a/2010-06-12/218785

$ |! n( p8 {) p. n* M1 R如果你的志向是做一名合格的码农，这些所谓高级语言最符合你的需求，生产效率很高，可以很好的完成老板分配的任务，我见过一周写一万行代码的，大部分都是什么类啊、对象啊之类的狂占代码量，在一般不懂行的眼里又显得特别拉风，貌似站在技术发展的最前沿；其实真正的大牛，早就不玩那些了。所谓面向对象，不过是为了提高生产性，好让资质较差的程序员跟得上而已，因为那些家伙无法理解过于抽象的事物。
; R# U7 Z4 D5 U5 q/ E5 u' N9 l
$ {0 J) a4 z; w0 g% c0 v不过面向对象也不是没有好处，它可以方便的把比较垃圾的代码隔离起来，不让它影响整个系统的稳定性。
) U9 E' r% r7 a9 w' n0 g; p我以前常常自己把整个系统框架搭起来，留出接口，具体那些粗活扔给下面的人干，即便代码水平比较差，影响范围也不会大。
这样系统的稳定性就有了，生产成本大大降低，效率也大大提高，因为可以大量找廉价码农。
不过，用户稍微吃点亏，因为垃圾代码毕竟是垃圾，运行效率比较差。
7 m" d3 p. i, z- D) I# _为什么win98的时候大家都是32M内存，运行程序倒不觉得非常吃力，现在动辄8G内存，机器反而经常吭哧吭哧跑半天呢？
因为垃圾代码太多了。
+ d3 ?. A! {1 e! T7 Q

meigen

3 ~$ j; C7 C" T# s% Z) B
" F: _! U6 ~1 @) Q
算了，道不同不相为交流
想起某个梗
. R$ m: O2 w# X, \程序员眼中的编程语言

大熊部落

不赞成多线程抓网站，但是好贴子要支持！

. P4 P6 ^; V( I自以为是“文科生”的朋友们就别学Python了，因为这个世界上还有很多现成的抓网站软件，虽然Python确实是个好东西。

4 N$ R9 ]* i- P! [5 m另外win95时代才是32M内存，win98的时候至少有128M，我一台老主机还是win98，文本检索速度秒杀XP。

bt4baidu

meigen 发表于 2014-10-21 00:07
算了，道不同不相为交流
想起某个梗
程序员眼中的编程语言

不同的语言适用于不同的人群：
如果你有志在计算机领域施展一番拳脚，应该从C、汇编学起，离机器思维比较近，也没有那么多纷繁的库、乱七八糟的概念，可以专注于研究内存构造、算法本身。
如果只是用来处理日常文书事务，则Python、Office VBA这样的脚本语言最合适，说不定十几行代码便可以把你从一个星期的ditty work里解放出来，也容易学，实在是非常划算。
至于java、.net这些高级语言，留给打算做码农的家伙们学吧，这些语言被设计出来，目的是为了提高生产效率，便于人与人之间的交流；它离人的思维比较近，离机器思维比较远——你可以用它快速干完老板分配的任务，也可以从业务层面说个头头是道，但是很难搞清楚程序运行时的每个细节。
9 {% X4 n3 C; Y9 L" O9 ^4 r
编程语言的口水仗永远也打不完，不争了

bt4baidu

大熊部落 发表于 2014-10-21 00:35
$ I% z5 M4 @. X; V3 p不赞成多线程抓网站，但是好贴子要支持！
; e4 r) }9 s0 J
自以为是“文科生”的朋友们就别学Python了，因为这个世界上还 ...

下载软件？推荐一款？
最早的时候，网站上都是静态HTML文件，是可以用下载软件整锅端的；
现在99.999%的网站都是动态的，服务器上只有PHP/Java程序和一些图片、视频，文本数据存在数据库里，网页是自动生成的，并没有那么一个文件在服务器上，如何下载呢？
8 s: R. O9 l' @6 x& Q比如这个论坛就是，咱们敲的这些字都会进数据库，在你打开网址的时候PHP程序去读数据库，才会把网页生成出来，并不会事先预备一个网页在那里。
除非那个软件可以模拟网页浏览的操作，那倒是可以。不过那样的话，还是需要事先有个完整的单词网址总表，但是正如我上面所说，很多时候你无法事先知道。
目前的下载软件多是用来下载图片和视频、mp3，不是用来下载网页。
! F/ y, n; v+ b. X+ _( k
至于多线程，完全不用担心，你用Chrome/IE打开网页的时候，就是多线程的。
对服务器影响较大的是频繁建立连接（所谓DOS攻击），下载数据只是影响流量带宽，对网站影响没那么大的，
目前主流网站都是毫秒级响应用户请求，带宽无比的大，下载单词对它的影响不值一提。

bt4baidu

本人做个大胆的预言：
( l& _8 z7 v/ H7 }0 }+ H随着智能设备越来越多，生活越来越智能化，人不但要具备人际交往能力，也要具备人机交往能力。
未来会出现一个新的行业：私人计算机管家。
专门替土豪处理计算机相关事务。其实现在已经有专门替土豪发微博、回微信的助理，可以算管家一类。
6 J) H" e$ }: }9 j: ^  t但还不够，账户安全、数据安全，哪些可以放网上，哪些该物理隔离，这些并没有人替土豪处理，于是清凉图片满天飞。

大熊部落

bt4baidu 发表于 2014-10-21 11:29
下载软件？推荐一款？
. b; x2 |& J' i+ `最早的时候，网站上都是静态HTML文件，是可以用下载软件整锅端的；
现在99.999% ...

* A9 @$ q0 G- O4 t" c' m: B5 W( b. P用Phthon能做的也能用软件来做，因为软件只是把代码做成界面而已。比如你上面说的下载一个词条后可以获得另一个词条的链接，那么软件会自动下载这第二个词条，因为软件可以设置成下载所有新的链接。
# |* N- R% P8 t8 ?
$ g# c9 M8 D% _  \- g十几年前的小软件就有模拟的功能，对那些看不到任何页面的数据库也有软件搞定，不过有些方法可能超出“下载”的范畴。

用不用多线程（最多3线程）是原则，有点像“偷”与“抢”的区别，反正不是为了商业利益，还是遵守原则比较好。

我不是专业人员，平时只用C玩玩算法游戏，目前在学习Phthon，但愿十年内不用再学习新的语言。

bsqby

此类科普文, 多多益善, 学习之!

bt4baidu

大熊部落 发表于 2014-10-21 16:18
; B' S! T0 Q8 ^* d; g用Phthon能做的也能用软件来做，因为软件只是把代码做成界面而已。比如你上面说的下载一个词条后可以获得 ...

4 [: r7 X& p0 x我一般是先看看自己能不能写一个，搞不定或者太花时间再去搜现成的软件

. s2 I1 @, D( C6 U

下载一个词条后可以获得另一个词条的链接，那么软件会自动下载这第二个词条，因为软件可以设置成下载所有新的链接。

推荐一款可以下dictionary.com的？这个网站上的词典我还是蛮感兴趣的，就是懒得动手

bt4baidu

平时只用C玩玩算法游戏，目前在学习Phthon，但愿十年内不用再学习新的语言。

3 |: ]6 N( x/ U* B7 L( a; X, J最好带着一个问题，在解决问题的过程中边用边学，比如抓词典；否则泛泛的看书、看资料、做一些不痛不痒的练习，效果甚差
" v3 R; Y" u. b/ M$ o计算机是用会的，不是学会的；
程序是调试出来的，不是写出来的
8 i3 [% Q& H* O5 B
既然会C，完全不用花时间学Python啊，10分钟足够了。我也就是花几分钟看了下百度百科就开始干了，遇到问题随时可以查资料。
你现在问我Python有哪些关键字、哪些运算符，我都答不上来；这些都无关紧要的——我在做词典的过程中，大概已经写了上万行程序了。

大熊部落

bt4baidu 发表于 2014-10-22 20:21
" }3 [  [+ f% \- z% A: @# X5 @最好带着一个问题，在解决问题的过程中边用边学，比如抓词典；否则泛泛的看书、看资料、做一些不痛不痒 ...

多谢指点！我只能用C玩玩简单的竞赛算法题，这些天用Python抓过一些页面，正在研究更复杂一点的方法。

我的一点网络小技术是很久以前在X客基地学的，当时花了几百块钱，没想到有些技术到现在还没过时。抓dictionary.com的话用一般的软件就能搞定，老牌的离线下载小软件（如offline等）或这几年流行的火车采集器（www.locoy.com）都不错。

smallrock

就需要这样的教程！学习了~

mitkyg

学习