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: 4341|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 06:26

    • 签到天数: 900 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。
    : H( ]: a" ^0 o- {+ ~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。# \/ D8 j8 B4 w+ r. X8 v4 Z

    + J/ h1 L$ P! R5 l    0 u" O& V1 @7 `+ Y
    ) P' a& }4 e1 k: Y8 V
    3 `  `) T! R7 A9 g
    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。
    0 s! k4 U2 F* v9 y" j# {% j1 @1 X: e" ?1 |4 N
    1. https://www.pdawiki.com/forum/forum.php?mod=viewthread&tid=33399&highlight=iweb
      / O& N% @: E# Z. V

    2. % n$ g' m1 s& I
    3. https://www.pdawiki.com/forum/forum.php?mod=viewthread&tid=33281&highlight=iweb
    复制代码
    1 h7 e4 w: D' o+ u/ T
    5 K$ u) M6 Z5 K; v6 u( L

    / V) e) i4 z  p  ?3 l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。& g8 C6 X1 ?8 v  e  s0 H

    " g2 V! J4 t. _3 k2 W9 y$ `9 J
    * ~* a* m. [  J0 @$ ?7 _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。7 |2 ]3 K9 L3 h4 G, H
    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。
    / v( B1 f/ Q: E. ?6 Z- @( {; q' V' E3 [- R$ o# j
    大家有什么想法，可以提提啊。
    $ R/ M0 w6 z! E! f; M0 Y5 |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。) p+ o6 k( `+ T
    - m: U. k9 |* q* d% j

    5 N8 Z. b! i+ m4 S% l' U( X( s$ _9 C" w

    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
    * M; h# U( n6 X  q% Q( k, e5 e& {! ~3 V. a  |
    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。. m1 d) M4 ?! Y, R6 k
    3 ]) U) Y) R; t: E& w8 e
    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”]），6 n3 ?; q/ C, O5 v( @$ i- b
    功德无量哦
    ( r* P  X& ]( {) L
    0 Q# F4 o( {7 z( C我今年年初的时候BT（magnet:?xt=urn:btih:EEBAC1F45D81FC3EEA92A7C6CC7179C863E290B9&tr=http%3A%2F%2Fbt4.t-ru.org%2Fann%3Fmagnet）
    ) y$ b8 d6 j0 T( K- j) i下载了一份COCA 2012年的原始数据，- b( a5 b, u$ H: C% r

    / ^2 |! `' ^. N2 ~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）& C0 ?. I* F% T, Z; a% b* o1 H

    9 B$ I9 b% T& k8 P& x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。: u/ n) b9 a$ O6 G% S
    9 r. w3 J- H7 j/ S
    等下完了就放出来希望有人做个词组（or搭配）的词频...
    - x$ C8 j3 d2 O8 v6 u( f; V( c: Z4 q# p6 U9 A
    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？？？
    ' v( t5 m7 x" w# c; _
    回复 支持 2 反对 1

    举报

    abnerzzz
  • TA的每日心情
    衰
    昨天 06:26

    • 签到天数: 900 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 06:26

    • 签到天数: 900 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
    / j$ r+ w8 e# _& C7 E' c# Q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。

    0 z' M6 M0 k( I8 T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. W. }- R4 a" Z# N9 e9 `
    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 ...
    & _6 u0 F6 v: F5 T9 w
    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 06:26

    • 签到天数: 900 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
    1 x, T0 g2 h% @% x1 _& z1 }5 Q. }# W期待iweb的排序版啊，这个语料库收词量比COCA大了很多
    4 O% l6 J3 c1 H8 @
    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 06:26

    • 签到天数: 900 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. s  k, ]7 k4 f: B/ T4 x: I

    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 06:26

    • 签到天数: 900 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; V! W6 z6 l# M
    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。
    " g$ I: W2 _0 h9 n9 ~3 C  s3 p
    iweb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）。2 N  O4 Z$ |. b5 ^& Q, u8 b3 P
    正在想办法把这些明细数据爬下来，然而技术太菜, W# C, E7 R/ a* H% v
    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 06:26

    • 签到天数: 900 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
    9 f' n8 ]. D% q% O/ P" s5 B: G  S6 c: P
    有没有大佬原因做成mdx
    + G& G3 h' \1 O( D. A; x9 n0 }( t9 t

    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, 2024-4-20 01:18 , Processed in 0.093746 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