设为首页收藏本站
切换到窄版

掌上百科 - PDAWIKI

 找回密码
 免费注册

QQ登录

只需一步，快速开始

掌上百科 - PDAWIKI»首页 › 交流专区 - Discussion › 词库制作交流区 - Dictionary-Making › 论如何爬取杨百翰大学iweb corpus语料库
返回列表 发新帖
查看: 4354|回复: 26

[讨论] 论如何爬取杨百翰大学iweb corpus语料库

[复制链接]
abnerzzz
  • TA的每日心情
    衰
    昨天 07:05

    • 签到天数: 906 天

    [LV.10]以坛为家III
    发表于 2019-9-3 21:04:23 | 显示全部楼层 |阅读模式
    最近花费不少心思，基于COCA20000，做了份Excel词汇表。
      a. C5 |" b4 s对比各类词典软件，据说有道做得最用心，中文释义全部取自有道，序号分割不同词性。# H) J$ s/ t8 a5 n, {+ |

    $ b% o. z8 g9 k; g    # l) F1 F; @( {" u% L; K

      x8 b% D* i. ]. n+ d1 C
    ' q& J" R* Y  l3 T$ T正准备打印出来，逛论坛看到两个贴子，发现iweb语料库更全更新。
    4 N3 q# y) ]' y& {3 S0 X/ c( n3 a9 ~; M; j
    1. https://www.pdawiki.com/forum/forum.php?mod=viewthread&tid=33399&highlight=iweb+ y$ u4 F5 o$ D& g& n8 @

    2. ! a: I4 A7 Q8 |- H5 Z
    3. https://www.pdawiki.com/forum/forum.php?mod=viewthread&tid=33281&highlight=iweb
    复制代码

    $ P$ `& g/ ^% F. T1 q6 c! F( o; A7 a1 O- G- u
    , w9 K* J3 N# M5 b$ u2 g5 s
    本想偷个懒，找 @要份csv排序版的，无奈联系不上。尝试自己爬取iweb语料库，奈何官网反爬虫做得贼好，有点棘手。$ R) v5 N9 V9 u+ j, N2 H) g

    1 w8 N7 R( v- i* W
    2 n6 u+ [& L0 H5 @3 _初步计划，爬前60000单词，匹配有道词典翻译，先弄份中文版出来。2 O' q5 r1 w1 C" y& A2 u" F
    然后爬每个词汇具体页面，再制作词汇搭配版本。搞定后分享给大家。
    $ v0 ?+ c& @$ `( C" X, Z
    + V$ M( I- z$ c- w; `大家有什么想法，可以提提啊。' n" B6 Q) \, ~. p1 T
    懒癌犯了，希望@现身，直接做个成品出来，就不用我这小菜鸟折腾了。iweb语料库的确很棒，可惜全网找不到资源。
    # L" v7 v* ?& V" ~
    ( e5 K6 ]+ E2 C) L
    0 j( ]2 t2 n+ T' J, p6 m# ?* m
    2 q' W  \6 v0 n( }' Y2 K

    本帖子中包含更多资源

    您需要 登录 才可以下载或查看，没有账号？免费注册

    x
    回复

    举报

    eplono
  • TA的每日心情
    慵懒
    2021-9-30 10:09

    • 签到天数: 321 天

    [LV.8]以坛为家I
    发表于 2019-9-26 17:59:52 | 显示全部楼层
    本帖最后由 eplono 于 2019-9-30 07:44 编辑
    ( T8 x8 e: c  S: U1 G% C* a$ [' `' |8 ]+ H/ q' L
    Hi 楼主能不能做一个词组（or搭配）的词频？就是这COCA里提出来的词组或搭配按照频率越高排名越前的这样。. y2 S" ^& t/ A$ [

    7 z( n2 w% Z& t- n9 |我相信这样一份词频，至少对很多人来说吧，远远比仅仅单词的词频有用得多(单词的词频已经有GaryPang大的iWeb词频了[搜索帖子关键词“iWeb”]），
    : S( a9 O5 u) e" H6 A/ o功德无量哦% }# E6 K. b5 i( ]; {$ j; S
    / D1 L3 A% D- W1 o0 x: M
    我今年年初的时候BT（magnet:?xt=urn:btih:EEBAC1F45D81FC3EEA92A7C6CC7179C863E290B9&tr=http%3A%2F%2Fbt4.t-ru.org%2Fann%3Fmagnet）5 {; W* @& `8 P/ R& j
    下载了一份COCA 2012年的原始数据，$ @( v! [" S, t, @; Z* C
    5 Z& I% S8 q1 U* W6 \4 k, r6 d
    有一份Collocation20000的PDF(https://pan.baidu.com/s/1AOgIWHF1rZzlRsYy_JnLPQ[提取码：tetg])，（PDF转换成mdx已经有人做了，见https://www.pdawiki.com/forum/forum.php?mod=viewthread&tid=33105）
    # {  d4 \- h+ |, x
    " T6 b9 ?7 e3 u/ R7 K无奈自己非IT相关专业、只会一点点Python，不会整理成搭配的词频，就把原始数据（印象中是都小说、杂志等等的原文）都删了，现在重新挂娘盘，离线几天了停在65.46%进度。
    9 T9 V3 o+ e* F& E
    . c" n, W, l5 c等下完了就放出来希望有人做个词组（or搭配）的词频.... [/ a1 o+ |0 G0 ^7 @9 |' n( I

    8 Q6 U/ r- O5 F( a3 C  ^7 K4 W咋刚才看到楼主回复进度的帖子回头看又不见了？我幻觉了？？？
    7 Q1 y$ r5 t& i7 V
    回复 支持 2 反对 1

    举报

    abnerzzz
  • TA的每日心情
    衰
    昨天 07:05

    • 签到天数: 906 天

    [LV.10]以坛为家III
     楼主| 发表于 2019-9-25 19:30:52 | 显示全部楼层
    反馈一下进度，上周就已经差不多爬完了。接下来需要将HTML转成文本，不过最近有点忙，看心情再转下格式。
    回复 支持 2 反对 0

    举报

    abnerzzz
  • TA的每日心情
    衰
    昨天 07:05

    • 签到天数: 906 天

    [LV.10]以坛为家III
     楼主| 发表于 2019-9-5 21:24:19 | 显示全部楼层
    你去哪里 发表于 2019-9-3 21:41
    * }: L& Q- t$ v2 W中文释义还是用权威词典的释义，比如说牛津或者朗文的比较好吧。
    + `! z! C. q" W
    补图。。。。

    本帖子中包含更多资源

    您需要 登录 才可以下载或查看，没有账号？免费注册

    x
    回复 支持 2 反对 0

    举报

    你去哪里
  • TA的每日心情
    开心
    2023-2-17 08:38

    • 签到天数: 321 天

    [LV.8]以坛为家I
    发表于 2019-9-3 21:41:52 | 显示全部楼层
    中文释义还是用权威词典的释义，比如说牛津或者朗文的比较好吧。
    回复 支持 1 反对 1

    举报

    snwbpn
  • TA的每日心情
    开心
    2024-3-30 21:57

    • 签到天数: 46 天

    [LV.5]常住居民I
    发表于 2022-11-25 17:50:01 | 显示全部楼层
    非常感谢，请问原始爬出来的网页文件方便分享吗？谢谢????????
    回复 支持 1 反对 0

    举报

    snwbpn
  • TA的每日心情
    开心
    2024-3-30 21:57

    • 签到天数: 46 天

    [LV.5]常住居民I
    发表于 2020-1-25 21:05:27 | 显示全部楼层
    楼主做的怎么样了呢？期待你的大作！
    回复 支持 1 反对 0

    举报

    ericqjy
  • TA的每日心情
    擦汗
    2022-10-5 15:24

    • 签到天数: 614 天

    [LV.9]以坛为家II
    发表于 2019-11-18 15:33:50 | 显示全部楼层
    这个没下文了？期待楼主更新。
    回复 支持 1 反对 0

    举报

    lgmcw
  • TA的每日心情
    奋斗
    2020-11-15 11:37

    • 签到天数: 249 天

    [LV.8]以坛为家I
    发表于 2019-11-9 03:35:21 | 显示全部楼层
    ubersoft 发表于 2019-9-8 23:56
    , a5 B8 B8 s0 L* H' _; g  H有偿整合数据、排版美化和制作mdx，可否？可以合并其他词典的数据，需要爬取别的数据也可以提供。如果需 ...

    1 P) ~& F& K, N9 d; h我觉得最有用的是那个collocation和cluster
    回复 支持 1 反对 0

    举报

    快乐巡洋舰
  • TA的每日心情
    奋斗
    2022-7-18 17:14

    • 签到天数: 413 天

    [LV.9]以坛为家II
    发表于 2019-11-6 11:34:39 | 显示全部楼层
    能做出排序，已经非常好了。祝楼主早日功成！
    回复 支持 1 反对 0

    举报

    ericqjy
  • TA的每日心情
    擦汗
    2022-10-5 15:24

    • 签到天数: 614 天

    [LV.9]以坛为家II
    发表于 2019-9-25 20:11:08 | 显示全部楼层
    楼主加油↖(^ω^)↗
    回复 支持 1 反对 0

    举报

    ericqjy
  • TA的每日心情
    擦汗
    2022-10-5 15:24

    • 签到天数: 614 天

    [LV.9]以坛为家II
    发表于 2019-9-3 23:08:43 | 显示全部楼层
    最好有英文释义，推荐简明牛津或新牛津或美国传统词典的英语释义。
    回复 支持 1 反对 0

    举报

    ericqjy
  • TA的每日心情
    擦汗
    2022-10-5 15:24

    • 签到天数: 614 天

    [LV.9]以坛为家II
    发表于 2019-9-3 23:09:54 | 显示全部楼层
    非常期待您的成品！
    回复 支持 1 反对 0

    举报

    freemanlea
  • TA的每日心情
    慵懒
    2023-5-28 06:06

    • 签到天数: 1190 天

    [LV.10]以坛为家III
    发表于 2019-9-4 09:02:43 | 显示全部楼层
    提示: 该帖被管理员或版主屏蔽
    回复 支持 1 反对 0

    举报

    ChaunceyWei
  • TA的每日心情
    奋斗
    2022-4-15 15:41

    • 签到天数: 404 天

    [LV.9]以坛为家II
    发表于 2019-9-4 13:25:25 | 显示全部楼层
    期待iweb的排序版啊，这个语料库收词量比COCA大了很多
    回复 支持 1 反对 0

    举报

    abnerzzz
  • TA的每日心情
    衰
    昨天 07:05

    • 签到天数: 906 天

    [LV.10]以坛为家III
     楼主| 发表于 2019-9-5 14:09:09 | 显示全部楼层
    ChaunceyWei 发表于 2019-9-4 13:25, g; ^' n- ?3 [; S4 g
    期待iweb的排序版啊，这个语料库收词量比COCA大了很多
    : \  x, t8 Y0 r8 S: c
    iweb语料库top6000排序版已经有了，但拿到相应的词汇搭配难度较大。
    回复 支持 1 反对 0

    举报

    abnerzzz
  • TA的每日心情
    衰
    昨天 07:05

    • 签到天数: 906 天

    [LV.10]以坛为家III
     楼主| 发表于 2019-9-5 21:09:57 | 显示全部楼层
    iweb语料库前60000个词频排序版已搞定
    0 q% S; P3 C3 f- r

    本帖子中包含更多资源

    您需要 登录 才可以下载或查看，没有账号？免费注册

    x
    回复 支持 1 反对 0

    举报

    abnerzzz
  • TA的每日心情
    衰
    昨天 07:05

    • 签到天数: 906 天

    [LV.10]以坛为家III
     楼主| 发表于 2019-9-5 21:22:52 | 显示全部楼层
    ericqjy 发表于 2019-9-3 23:08
    ( n/ _- |8 e* L, e' ?最好有英文释义，推荐简明牛津或新牛津或美国传统词典的英语释义。

    & z8 l( F* F' @' F7 Riweb语料库每个单词明细界面，有同义词、话题、搭配、词簇等，同时还能链接到其它在线词典网站（图中标注12345能跳转到剑桥、韦氏）。
    & _8 x; o4 K, O( e# M正在想办法把这些明细数据爬下来，然而技术太菜
    ; ?. K5 O* `  R
    回复 支持 1 反对 0

    举报

    alanpoon

    该用户从未签到
    发表于 2019-9-5 22:07:55 | 显示全部楼层
    正想找高频表导入欧路背单词，楼主可否分享词频表？
    回复 支持 1 反对 0

    举报

    cwx
  • TA的每日心情
    无聊
    2019-9-7 16:11

    • 签到天数: 13 天

    [LV.3]偶尔看看II
    发表于 2019-9-6 19:05:02 | 显示全部楼层
    求分享csv格式单词表
    回复 支持 1 反对 0

    举报

    abnerzzz
  • TA的每日心情
    衰
    昨天 07:05

    • 签到天数: 906 天

    [LV.10]以坛为家III
     楼主| 发表于 2019-9-7 10:36:30 | 显示全部楼层
    反馈一下iweb语料库爬取进度，暂时保存的都是html格式
    . u; x, I# O0 J1 S0 R0 s% [4 O6 Q" J; ^! P  {7 h. E" f
    有没有大佬原因做成mdx' {$ b; l1 ^9 l7 h

    本帖子中包含更多资源

    您需要 登录 才可以下载或查看，没有账号？免费注册

    x
    回复 支持 1 反对 0

    举报

    yaknow
  • TA的每日心情
    奋斗
    2020-7-12 05:59

    • 签到天数: 97 天

    [LV.6]常住居民II
    发表于 2019-9-10 17:08:07 | 显示全部楼层
    可以的,个人赞成有偿服务!
    回复 支持 1 反对 0

    举报

    返回列表 发新帖
    高级模式
    B Color Image Link Quote Code Smilies
    您需要登录后才可以回帖 登录 | 免费注册

    本版积分规则

    小黑屋|手机版|Archiver|PDAWIKI |网站地图

    GMT+8, 2024-4-26 20:25 , Processed in 0.084030 second(s), 11 queries , MemCache On.

    Powered by Discuz! X3.4

    Copyright © 2001-2023, Tencent Cloud.

    快速回复 返回顶部 返回列表