【史上最全】在线词典抓取、制作技术汇总

bt4baidu

: C; C7 d% w; `: Y1 z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。
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。
" f2 v- I3 o' r$ E; f, q, G
一、计算机的两个终极哲学问题
$ j; P" H  {# {; Y1936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。
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。
/ f  j$ `2 z1 [2 h5 \. _0 l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。
, `  ~+ e1 L$ Q( n
那么要写出程序，立即就会发现不得不解决两个问题：
. U/ p7 ^9 Z7 M' E" D( d" Z1、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。
0 l+ u1 U/ L( @( T6 U2 X6 @下面的讲解也会以这两个问题为核心展开。

BTW, 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。
% x. L4 r+ g# m3 J( C) t. I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。
5 }. h( p% o, p5 f1 C# l$ g
3 j. g) _# ~9 \, h# R0 V不要觉得自己上学时学的不是这个，or文科生，就不行。
2 \) @0 u7 L# Q) g% a江民杀毒软件大家想必都听说过。
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。
- @: @) p( m: @/ u% j, p" [+ W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。
抓网站，恐怕没有哪种语言比Python更方便。
3 t5 G' |; g- M4 P- r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，
  F! j: Z3 g0 D9 n- z9 x# \& `* ?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，
没有慧根就别吃这碗饭。

三、网站抓取技术
0 G* I6 d3 B/ a% y5 b* S1、下载某一个网页，提取其内容
7 _2 Z2 O- S! A5 U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
/ Y/ c5 D7 I% \: n  b
1 x9 _. x, D0 u" e- K2、寻址问题
下载网页，自然首先要知道网址，也就是东西放在哪儿。
( Z# q& l/ x. q7 V- _( D' }6 B  ]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，
. v& N7 I9 t* D1 T要把单词弄全，就要想办法得到每个单词的网址。
* z6 R" a* y" E9 v2 ^7 p总结各主流词典网站，大概可以分为这么几类：
4 D& o: N6 @; {4 M0 c* k, I# `  JI. 事先有单词总表
比如http://www.vocabulary.com就是这种类型。
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。
6 k" g& I+ f' `5 k/ |
% {0 _7 S' r3 {, q& PII. 网站有索引页面
如：
OALD（http://www.oxfordlearnersdictionaries.com/）
它的索引页在 http://www.oxfordlearnersdictionaries.com/browse/english/
6 n* z- I; ~! _* ~; qLDOCE（http://global.longmandictionaries.com/）
+ T) t6 D1 m$ J: s' e* o! [9 [. P采用框架结构，左侧边栏就是索引页
MWC（http://www.merriam-webster.com）
; N2 f* D/ e% N7 ^* z. N! Z2 i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。
2 n6 [5 `2 m" x' S

1. 
   ( d& F8 A( q7 T( M
2. urls = []
   ; W+ v* k8 k7 F+ @8 ~& E& }
3. for someindex in indexs: # 循环所有索引页
   . \* h& A% _# C) n  u) v$ I, }
4.     browseurl = ''.join(['http://somewebsite.com/', someindex])
   0 d- Y; B3 g: K+ c
5.     browsepage = getpage(browseurl) # 下载索引页面
   
6.     target = SoupStrainer('sometag', class_='target') # 抠出放单词链接的区域
   
7.     bs = BeautifulSoup(browsepage, parse_only=target)
   " E  ?4 [3 f) r6 D" }
8.     if bs:
   
9.         for a in bs.find_all('a'):
   # E9 d; y5 G1 i
10.             urls.append((a.string, a['href'])) # 取得该索引页上全部单词及链接
    
11. 然后：
    1 B8 t: K( T# |# v  E# _5 r
12. for url in urls: # 循环所有单词
    
13.     wordpage = getpage(url) # 下载单词页面
    " R( u6 c& U: N. U

复制代码

6 k2 O0 E, v. a! c5 f# @. e
1 w- [1 J% w/ t0 |$ A2 H3 U% ^III. 索引页和单词释义一体型网站
- w7 ?3 z/ f& |1 }. d  ?( r1 }如：Online Etymology（http://www.etymonline.com/）
8 u( c$ u2 v' b! I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
/ o, B) M- ^6 @$ Q0 b  `$ x) U

1. 
   " k* A" P$ |$ g1 ]
2. for someindex in indexs: # 循环所有索引页
   
3.     browseurl = ''.join(['http://somewebsite.com/', someindex])
   
4.     page = getpage(browseurl) # 下载页面
   3 y& O( b, P- n8 o; G9 Y- C
5.     target = SoupStrainer('sometag', class_='target') # 抠出放单词的区域
   
6.     bs = BeautifulSoup(page, parse_only=target)
     G3 R) e/ f* K
7.     for tag in bs.find_all(target): # 循环抠出单词
   
8.         worddefine = getworddefine(tag)
   7 K# Y3 m7 j4 k

复制代码

* s) Q8 b# A& c% k) AIV. 片断索引型网站
如：
2 n' T& c/ S( t. \/ `1 \# mODE（http://www.oxforddictionaries.com/）
# l% s3 m3 \. i' j每查一个单词，右侧边栏有个Nearby words
RHD（http://dictionary.reference.com/）
5 E  L& D9 a) l9 O7 Y: @  h右侧边栏有Nearby words
CALD（http://dictionary.cambridge.org/）
3 e; i. _! ~7 p8 X1 B7 l在页面的最下面有个Browse栏，给出前后相邻的单词
9 j: `. |; G& j+ S( x这类网站没有总索引，只好利用它的Nearby栏。
+ v% B7 W& S" s+ X2 `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，
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）
6 L+ b1 I, L" k) H& n& e" r

1. 
   
2. cur = 'a'
   , P% B' d) C: ]1 }0 S
3. end = 'z'
   / j/ C; G6 C* K' c' s
4. nexturl = ''.join(['http://somewebsite.com/', cur])
   - O( D8 ]' w1 t3 y' g: n/ P1 L
5. while cur!=end and nexturl:
   ; W9 _, j' _% }6 i
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

% h& M0 H- K. @; |4 ?) HV. 完全没有任何索引，那就没法子了
2 ?' n( C2 Z0 W4 x3 z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；
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
I. 多进程
, Q4 j: t0 d! R* r- M: n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。
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，
! h7 z1 ~/ S/ E有些网站还经常抽风，半分钟下载不了一个单词，那就更慢。
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。
同样十万个单词，分成25个进程下，也就是28/25=1个多小时。
1 P7 \% }( W+ W& |4 p7 x! Q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。
$ j1 l. G  @  ^* U% p9 @在Python里开多进程，同样十分简单，
& P- R( Z" [. C2 j* g# O4 J

1. 
   - M+ \  m* N2 D
2. from multiprocessing import Pool
     p" X% v: ]$ s" U( z  J! z
3. pool = Pool(25) # 开25个进程
   . H: Q2 {; n5 C: Y" D2 ^" u
4. pool.map(downloadloop, args) # downloadloop是下载函数，args是其参数
   

复制代码

$ R2 ^$ L( c' V/ \" p. {/ \/ j这就搞定了。

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，
; u) O' b3 x( Y6 E/ q2 M! {2 [关于IV.，事先没有单词总表，就只好采用区间的概念，
+ z. }' W* B. y5 _比如('a', 'b'), ('b', 'c')。。。这样划分若干个区间下载
: n6 S6 k; R$ }% L) G4 f
初学编程的人，一碰到进程、线程，常常有种畏惧感，
- L* \1 |: f) ?看到同步锁、共享内存、信号量什么的顿时觉得头大。
! D5 m& q, U( s- u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，
% ?  S/ G, T' |+ d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。

7 U7 @, R2 }2 q/ r) uII. 断点续传
4 C4 P# D7 u6 ^( w" Q0 Y& T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；
3 G1 t0 R2 ?: ^  h" `: K/ [即便无法自行恢复，也得容易手工处理，不然可有的烦了。
' B+ [) Y! }8 H; n& {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，
直到所有区块下完。

1. 
   
2. def fetch_a_word(part, word, url, data): # 下载一个单词
   9 k! W" B6 D( L5 k
3.     word_define, failed = get_a_word_from_website(word, url)
   + s/ `, {$ F% N; F7 n
4.     if failed:
   
5.         dump_failed_word(part) # 输出下载失败的单词及网址
   3 L; L. i, a# |- m, ^; P; R
6.         return False
   
7.     else:
   / K" {9 v1 w9 G$ e, O7 Q
8.         data.append(word_define) # 保存下载成功的单词数据
   
9.         return True
   3 U& n! X0 z/ s6 g3 W' C" @: l
10. 
    " k# e; F8 K, k4 @+ v) E0 [% @) n9 ?
11. def download(part): # 下载一个区块
    ( I# {7 c: b) |- m  _
12.     words = getwordlist(part) # 读取单词总表
    
13.     if hasfailed(part):
    
14.         word, url = read_failed_word(part) # 读取前次下载失败的单词及网址
    % V* F* u/ [7 q  m5 E/ n8 z, P
15.     else:
    
16.         word, url = words[0] # 首次从头下载
    
17.     data = [] # 用来存放单词定义
    4 }8 D( a3 E* m7 x- Y
18.     while not_end(words): # 循环下载
    
19.         if not fetch_a_word(part, word, url, data):
    ' x! j/ s$ \, ~: P
20.             failed = True
    4 g. f7 e0 a( M  A9 \- p
21.             break
    / L) q% i: \; B" A& x1 o! k8 I
22.         else:
    8 x' k7 ]  V  R' d* j. J
23.             word, url = get_next_word(words) # 准备下一个单词及其网址
    ( K  D! {) O2 ^. G% n+ S
24.     if failed:
    
25.         suffix = '.part'
    3 }- t# `( W" f- e3 R0 r
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'
    9 |0 l, Z  I1 d' r. p; l6 }
27. 
    3 Q+ h; ]3 S4 m' w  x4 D
28. def isfinished(part) : # 判断某区块是否下载完成
    
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
    % a% E1 M7 |6 F$ T2 ]9 ~' t9 B
30.         return True
    / Y1 C7 q! t, `+ F
31.     else:
    ! L$ ^  u) e& `
32.         return False
    
33. 
    " ~% S" a% d+ s* h9 |
34. def downloadloop(): # 循环检测未下完的区块
    & t; S" Y7 s  Z! [' n
35.     finished = 0
    ) G  w. w. U: V% K" R" b
36.     while not finished:
    
37.         nf = [] # 没下完的区块
    ) w, X* a0 A/ V+ c) b
38.         for part in parts:
    ) _% c. C' }# x$ M4 F
39.             if not isfinished(part):
    ' H, ~3 F9 r, b6 N6 z1 }( {
40.                 nf.append(part)
    6 X8 U6 R. J4 u; }/ \
41.         finished = not nf
    . @! v5 g9 R: B) p) m+ Z
42.         for part in nf:
    
43.             download(part)
    + N; f9 R( P7 _1 X& Q$ p; `! m

复制代码

; m* J$ R: E# a, ^. X5 d% T! i
III. 高速下载网页的小技巧
: _+ G. l# |4 p1 }Python里面有三个库都可以用来下载网页：urllib2、urllib3和requests。
* T  P& \9 t3 T) F7 H' Z5 s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）
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，
5 _9 k4 ~5 r2 T: d, F1 ?$ X  H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。
/ s! [: b3 _! v# a2 }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。
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，
通吃一切网站。
- ^, e# p  K" G' x2 {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。
) t4 n- V* A, n6 d) n5 r- d  h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：
" P. t; B, j% D2 F. w7 \http://urllib3.readthedocs.org/en/latest/
4 }# L4 J  W1 n5 Yhttp://docs.python-requests.org/en/latest/：

1. 
   
2. #urllib2
   
3. import urllib2
   ; i) g! f9 K; g% a* g, @; I
4. def getpage(url):
   
5.     req = urllib2.Request(url)
   
6.     response = urllib2.urlopen(req)
   * {; {5 N+ a/ {* B
7.     page = response.read()
   2 S0 V7 i+ q0 m9 p" E2 D) }
8. 
   ' w' y, s' U8 Z3 \) `1 N  S0 K, |
9. #urllib3
   
10. from urllib3 import PoolManager
    $ p. X* i  ]9 K+ k# t9 q3 w* I. w
11. http = PoolManager()
    3 o; H3 E8 G* G7 j
12. def getpage(http, url):
    + q( X3 I* h4 c& C1 C; c
13.     r = http.request('GET', url)
    
14.     if r.status == 200:
    ; B2 o( O9 `) j% T/ ?9 z
15.         return r.data
    
16.     else:
    - n5 p5 V7 X0 r
17.         return None
    / F: G2 D7 A% n- {
18. 
    
19. #requests
    # s6 Q( \  q1 H: z
20. import requests
    : ?2 S5 Q' N+ u* G: `4 q: a: i
21. session = requests.Session()
    
22. def getpage(session, url):
    3 k2 O6 }2 l) y2 i6 r
23.     r = session.get(url, timeout=10)
    
24.     if r.status == 200:
    
25.         return r.content
    - L* |/ e1 t! x1 j9 X
26.     else:
    
27.         return None
    

复制代码

) |1 C8 }) J4 }" M+ N  w& q四、后期制作
, ], R  s# `& R  L1、文本处理，是个特征识别问题。
( \* U" v8 C3 ?. a2 M9 y0 P/ A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。
, s" _7 D' H, Q8 g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。。。）
& L9 E# C% p6 u* V2 P) u: W" L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。
- _1 Y5 Y) e! ~5 VPython里常用的文本处理技术：正则表达式、BeatifulSoup、lxml
8 e1 N& P, V3 e. B/ @2 z正则表达式非常强大，但没法处理递归嵌套的标签型数据
（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）；
( `  g+ t( c2 Q7 ~4 {: l8 e- ^BeatifulSoup/lxml可以处理嵌套的标签型数据，普通文本则无法处理。
8 X4 Q! C  @) n6 b所以常常要结合使用。
7 F: F7 v  ~! t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。

2、排版
HTML、CSS的基础知识：
$ q, c- w5 s, j, X$ Ghttp://www.w3school.com.cn/html/index.asp
# D2 S% b2 D- g7 v0 N' y0 m5 _9 R$ nhttp://www.w3school.com.cn/css/index.asp
http://www.w3school.com.cn/css3/index.asp
' x+ J1 ]$ [, I9 H5 W/ ?8 r' d) C非常系统、非常全面。
* k# h9 @6 m  [# y* @, V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。

. [3 l" w5 p( m2 |: K8 K五、结语
, k; N4 C/ P6 y0 d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。
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。
. Y/ Q/ z4 q# Z: h: u+ @3 |$ W
1 j& j0 L3 }: u* O, ?2 [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。

5 }- U. P8 O3 a9 w0 c7 d+ ~/ ]" f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。
0 i, ]! T( G5 D2 ~8 ^% C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，
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

3 N- X0 s: m  c) o
  C3 |% o3 I( }. j- Q$ \/ a========
5 G, _5 X) f( W/ c2 P7 z六、拾遗
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
# _$ Q% q  r! h/ R$ s/ h确实如此
2 q$ Y( P- n4 S% _6 f0 \" k  F不过这里只是举例而已，不用太较真啦
* b3 v% t4 i& a4 j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
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。
9 x" z0 u9 o( R- O0 {即，
6 w) `9 M; ^+ T6 Q3 a1 @' i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）
+ x2 q: n, B  O. V% ?) B$ k  ^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）
! i4 e  L: H- d- Y5 n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
。。。
  V$ W6 b  L7 D. U7 L3 v+ L6 p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。

bt4baidu

Oeasy 发表于 2014-10-24 18:41
' a* [& a0 n8 u8 o6 K6 u感谢楼主分享知识和经验。

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 ...

, m) X9 p% _! G4 U, d8 q/ F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。
0 m  h) c0 g- X$ F
; M, Z: Q2 Z3 Q- k本人最常用的词典：
主力阵容：VOC、ODE、WBD。
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。

; P# ^( @- [9 _% d, s& N4 g5 v7 ^替补阵容：LDOCE、词源、短语8in1、韦小黄&韦小绿、Garner Usage。
- K" Z+ p% H6 k" E* u7 jLDOCE用来查常用词的惯用法/搭配、语法信息；
8 t/ B) P8 r5 w/ B词源用来辅助理解、记忆单词；
5 }- ]% A2 `3 z0 X3 I) G短语8in1用来查漏网的惯用搭配、非正规用法；
* `! Y/ j; f$ s& _: [' g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。

/ k3 b* H9 s4 v2 W. H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。
“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。
9 d4 F  v0 S3 X" Z+ Q- I
! c+ I. _+ x( Z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。
$ m( @$ {$ Q# ], ]

happlebao

针对

IV. 片断索引型网站

说一下。
8 c9 ~% h- i4 M: V) R/ `6 V$ ^其实只是你没有发现而已。
- K3 z  W: A8 x& A# S0 ]ODE： http://www.oxforddictionaries.com/browse/english/
RHD：http://dictionary.reference.com/list/a/
7 H. x9 p% g: |4 f, @' ]CALD：http://dictionary.cambridge.org/browse/learner-english/
% c  b9 D2 {* K  P# e
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。
以第二个为例：
8 n0 r0 V3 _3 G' j, o# oinurl:browse | inurl:list site:dictionary.reference.com
/ Q/ }8 c" ~8 D+ P7 E( n, I& O
$ X& B! d/ `7 U( y/ Z. hPS：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
5 R* I& |' g' N  L. u, z; U5 k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。。。
2 \4 X6 I6 T9 c7 s5 ^# G) A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

1、Goldendict里，在想修改的地方点右键，有个“审查元素”：
+ f8 Y6 K. H4 f5 l  K& P

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 N4 X: |7 s, X

收工

Oeasy

8 o0 v( W; A. b; D2 K1 q0 c3 K
4 O  X( J% F7 e, S* D
. z. t4 W: V( F6 R' `2 T感谢楼主分享知识和经验。

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。

0 R& T0 I" f0 B. @6 g7 H' v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。
- h, J8 @2 l2 f+ ~7 t
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。
, r# Y$ a# y4 Q% t9 G- O* |
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。

  q5 |& ~; Y$ H; A5 `

! e; O7 g. J6 }) z

bt4baidu

Windows下制作词典必备的文本处理软件：
- H  w! |4 I- }' m8 T3 h

• EmEditor
• Beyond compare
  

8 @( B6 O- g2 J- Z# ^
前者用于编辑，后者用于差分比较
# |' e- K  L( c: F3 N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

7 \2 u# r" `3 t" C2 s7 c" C2 V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

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
# L# K  K9 L3 n) Y1 B
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
0 p$ @; _+ K3 c7 a这几种字体在Windows、苹果OS上显示效果都不错，字号也比较全
另外Open Sans字体也挺漂亮
* f# D+ }7 h* d- k

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
3 V. |) V4 z6 C0 W" C! n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 ...

0 W* z: W5 }& E1 O0 {2 m+ ^感觉找到适合自己的问题好少啊
! d$ u/ q. `/ M% q' H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
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

9 n( k2 q& c, L' ]
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

- L0 S5 c% {" [3 X$ B* [. Ojava和.net就是个垃圾，我懒得提而已
- c1 j$ p! Y6 `* p8 q6 J8 d6 }在Linus这样的大神眼里，连C++都是垃圾：
/ H$ q, \1 |9 j1 f( ^  c' J* Fhttp://www.csdn.net/article/a/2010-06-12/218785
: p& B/ c) c& x3 C
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。

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。
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。
3 h# ^9 t! m5 [. i$ T& t+ C7 K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。
5 v/ o- n' T0 t7 x% ^4 T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。
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。


! q$ A4 H: k6 Q" k! O' l

meigen

+ d3 N/ L# E1 r* A1 J' \- D4 W( i

算了，道不同不相为交流
想起某个梗
) W# \. c/ N# L* U, n+ K, Z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！
* D1 c, j- D- H6 S8 t
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。

8 \; X+ ?2 }- @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：
! Y% L1 d  Z! y# _# m/ z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。
0 s' m6 w" K$ V; K, M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。

编程语言的口水仗永远也打不完，不争了
! C0 j  C" f5 p" h+ k/ `

bt4baidu

大熊部落 发表于 2014-10-21 00:35
/ O# @4 y0 r* f* Y! E( L不赞成多线程抓网站，但是好贴子要支持！

自以为是“文科生”的朋友们就别学Python了，因为这个世界上还 ...

7 B3 \. W0 l4 b- W" q( U% x/ Z- V下载软件？推荐一款？
1 S+ G+ X# s( x# {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；
/ q) c3 X8 f4 S4 C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？
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。
5 \" u3 _2 b& k1 O4 z6 m+ _: \2 G9 ?4 j
8 _& Q0 V- j3 c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。
' m3 l3 a+ g0 D. l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，
6 w* Z, m' A  W) ]* G3 K* G# L1 I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：
% }& k% q0 [& X  v# M- L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。
# R" W8 `& Z/ z& ?未来会出现一个新的行业：私人计算机管家。
/ N, P" S1 U3 ^+ k! C6 @* `0 a" G. ?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。
# j( G* z9 s2 j3 \  G( X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
, T4 p7 x' i2 k/ U6 e( V; r( y0 N: L下载软件？推荐一款？
- D! f) X; r  L4 p, _4 W% n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% ...

" Y. J7 }2 v: C7 Z9 F+ c, i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。

2 J, w0 E1 y9 }! S; D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。
, }. D" j- }& h: ~4 @; m
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
: j' T# V" Z5 _9 T0 j7 i9 w* H+ m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 ...

+ T) M' r+ B( A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
2 Q9 E3 j/ _* c

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。

2 ]* ^3 U/ l# D7 S# }
/ o7 @- {+ ~! |1 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
+ A, ^# v7 q; G! K计算机是用会的，不是学会的；
% V3 T8 |* f* O( V% }; I程序是调试出来的，不是写出来的

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。
! E1 ?( m4 U2 Z" C9 c+ t6 H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
$ O* P  G1 E  `6 h( T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 ...

- {& U, k7 s2 P( F9 Z0 v: ]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