【史上最全】在线词典抓取、制作技术汇总

bt4baidu

: b8 X$ M% S, C5 d* c7 T& L
3 v' I4 |* I, P4 _  \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。

( R6 F4 l# L  d3 a; j% ^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。
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：
" r2 R+ p; U2 R; e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。
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。
% T4 t, K, y9 l  K1 K# }7 f
- f3 \4 M, @! i% f, D3 |) u" L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。
( p' N: s2 s2 E& x9 N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。
- Q( H" p& C. R3 ^6 J1 `下面的讲解也会以这两个问题为核心展开。
1 s$ B5 w  o% a+ t6 [
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，
5 w/ i3 ]! L8 E: J8 w$ y; G——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。
5 ?+ |, L, q3 i+ W. |/ d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。
( k) C0 m  A( K4 c) W
6 n* r% a( s: ?4 k不要觉得自己上学时学的不是这个，or文科生，就不行。
$ ^. @2 R& [3 O; z+ }6 I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。
, w" I' i% z% s- A" g4 V' t2 m咱不奢望成为专家，写写程序总还是可以的吧？
1 _' T* c, q# k2 ], r
" C0 k# b* w% _" `' ?9 j( e二、采用何种编程语言
  |* \. G! j7 C, n" Y5 `上面已经说过，存放、读取、组织、区分数据是编程的核心问题。
( l) S. ?# Z& B8 F/ {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。
: R; P" c, q, [4 b- l- v* }抓网站，恐怕没有哪种语言比Python更方便。
. [1 T7 t. l" s/ ]( v: y! S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，
' @( R- m- r- E  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，
9 L9 U2 M/ {, u: J& M2 Y没有慧根就别吃这碗饭。
  `: X% Z' s$ Y+ P! b1 i9 _
3 m; n5 h) t4 ~, ?# h; O三、网站抓取技术
1、下载某一个网页，提取其内容
以前写过一篇，就不重复了。参考：
  H" F" h4 V& R$ r用一个简单的例子讲讲怎样从网站上扒数据

2、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。
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。
6 {4 N* A! Q( n7 Z0 \/ R* J5 L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。
. p2 a5 [: B7 R3 o) B( i) D. u% ~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
# `# W8 z7 j9 J% x. _: Q比如http://www.vocabulary.com就是这种类型。
- W, T, P: z6 k# a9 i- ~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。
, O5 y$ v& P5 i" a1 `& g* B
! E2 l, f/ v% U! nII. 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/
LDOCE（http://global.longmandictionaries.com/）
  I  {4 [  m: ^$ u; I采用框架结构，左侧边栏就是索引页
MWC（http://www.merriam-webster.com）
4 _& f( S, X& ^7 c$ q1 C8 X索引页在 http://www.merriam-webster.com/browse/dictionary/
等等
( w7 I8 b3 Z8 c  [0 v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。
: H, R6 W7 Z* O) [: U

1. 
   3 p0 T$ W% y6 p% a
2. urls = []
   2 \  c, h- r. L& x. e/ D, A
3. for someindex in indexs: # 循环所有索引页
   ; _/ ^( i& G) W( _
4.     browseurl = ''.join(['http://somewebsite.com/', someindex])
   
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
   0 T. X4 u) n# h$ e0 k8 a
7.     bs = BeautifulSoup(browsepage, parse_only=target)
   
8.     if bs:
   
9.         for a in bs.find_all('a'):
   
10.             urls.append((a.string, a['href'])) # 取得该索引页上全部单词及链接
    
11. 然后：
    . a1 G" Y7 w& ]! B# v, b) p1 l: _6 }
12. for url in urls: # 循环所有单词
    : R: B) w- M, G" B
13.     wordpage = getpage(url) # 下载单词页面
    

复制代码

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. 
   * r, }+ }) v0 I8 n2 Z% x
2. for someindex in indexs: # 循环所有索引页
   
3.     browseurl = ''.join(['http://somewebsite.com/', someindex])
   6 t4 b0 H5 e" [! p
4.     page = getpage(browseurl) # 下载页面
   5 F% a8 o9 E& U4 E7 m, I' Q
5.     target = SoupStrainer('sometag', class_='target') # 抠出放单词的区域
   4 ^7 Q2 t! m- v% u. V
6.     bs = BeautifulSoup(page, parse_only=target)
   
7.     for tag in bs.find_all(target): # 循环抠出单词
   1 v4 K& Z* B  D6 P7 R- }3 r! m
8.         worddefine = getworddefine(tag)
   , q6 u1 x3 N* Q* r7 H$ P# k: j7 `

复制代码

IV. 片断索引型网站
如：
* E! k6 L% z. d/ G7 iODE（http://www.oxforddictionaries.com/）
每查一个单词，右侧边栏有个Nearby words
* K3 N8 k- r6 IRHD（http://dictionary.reference.com/）
  y& W/ K1 a3 B( l$ Y右侧边栏有Nearby words
CALD（http://dictionary.cambridge.org/）
在页面的最下面有个Browse栏，给出前后相邻的单词
+ f5 h+ `* P! G; p. c2 |1 l这类网站没有总索引，只好利用它的Nearby栏。
! N5 v" ?4 Q3 w! B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，
8 ]  x8 X$ `$ U0 P* M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）

1. 
     D* b6 L0 o% l7 r# q
2. cur = 'a'
   
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
   ! L( a5 \. _: |" Q2 ?4 q8 b

复制代码

V. 完全没有任何索引，那就没法子了
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
& H' K6 s. k4 O" f" _! x理论上也是可以的，就是效率差一点；
* g& p- V* o" |8 |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。
7 L, e' o8 h! m) C
) i7 F3 }, C6 ]/ @2 s, {6 e3、提高下载效率
I. 多进程
4 \6 `/ Z1 V' e3 n+ 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。
6 V6 J* K& W2 ~" Y- b$ h# N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，
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。
% ]  y/ z, K, t! I3 m同样十万个单词，分成25个进程下，也就是28/25=1个多小时。
. w$ s8 q1 b. ]2 }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
   5 N3 ^+ r3 i. e
3. pool = Pool(25) # 开25个进程
   * M$ h! J5 b' D9 U8 n# y, M$ N, {
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。

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

初学编程的人，一碰到进程、线程，常常有种畏惧感，
7 i7 t: s3 ?1 o& M2 C6 f! W看到同步锁、共享内存、信号量什么的顿时觉得头大。
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，
  q/ j) y6 N9 k' n2 ~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。
6 @' _2 O+ {' L9 j+ Q* A9 |9 f
& a2 w  p4 c: V4 @" EII. 断点续传
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。
4 B4 k1 E1 e6 u8 s0 L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。
+ q# z. i3 c, ]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
     \, v6 e0 X! l; E% U7 _) }
3.     word_define, failed = get_a_word_from_website(word, url)
   
4.     if failed:
   8 e) @# X) W- R6 i4 J7 w! V; G: v( ^3 ]% E
5.         dump_failed_word(part) # 输出下载失败的单词及网址
   
6.         return False
   ; T3 |% Q2 l3 n1 j5 G# a
7.     else:
   6 a/ y8 L1 w6 j: w
8.         data.append(word_define) # 保存下载成功的单词数据
   ' w5 j. l- h: G( _/ M
9.         return True
   
10. 
    8 ~1 ^. b; h( w( f
11. def download(part): # 下载一个区块
    " S  D. h: Z+ }; X4 D; ?7 e$ b
12.     words = getwordlist(part) # 读取单词总表
    
13.     if hasfailed(part):
    3 b2 }0 y9 K6 y5 z
14.         word, url = read_failed_word(part) # 读取前次下载失败的单词及网址
    
15.     else:
    1 F, z  g3 N7 O( q- X
16.         word, url = words[0] # 首次从头下载
    # X! E) ?# o  A$ D
17.     data = [] # 用来存放单词定义
    7 D. [9 g8 @8 j$ p0 `* R
18.     while not_end(words): # 循环下载
    ( h9 e! y9 e! n- a# P; Q
19.         if not fetch_a_word(part, word, url, data):
    
20.             failed = True
    
21.             break
    
22.         else:
    
23.             word, url = get_next_word(words) # 准备下一个单词及其网址
    ! e! K& c7 b7 }; E& U
24.     if failed:
    
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'
    " W' {# x1 p3 z  R- X) F
27. 
    
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
    : }+ o' F1 m( |* @
30.         return True
    
31.     else:
    & \- g6 w2 D( T1 t2 _# ?
32.         return False
    
33. 
    
34. def downloadloop(): # 循环检测未下完的区块
    ) d6 Z7 P4 D: V2 W' g
35.     finished = 0
    
36.     while not finished:
    
37.         nf = [] # 没下完的区块
    
38.         for part in parts:
    
39.             if not isfinished(part):
    
40.                 nf.append(part)
    
41.         finished = not nf
    
42.         for part in nf:
    
43.             download(part)
    

复制代码

III. 高速下载网页的小技巧
% F$ J$ K# }- V, C$ y! u3 v  yPython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。
3 u4 v  q- ?) |0 b3 Z4 t5 t" w（似乎Python3已经把urllib3收编为正规军了）
( j! C7 e. {$ Q9 d/ D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，
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。
# n4 m: m9 R" p: I" C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。
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。
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：
) {2 z: U% p( W) k/ o4 u' ~. jhttp://urllib3.readthedocs.org/en/latest/
, m9 e6 j4 R; t  x4 y4 a! bhttp://docs.python-requests.org/en/latest/：

1. 
   6 }$ G9 ^9 O5 h0 D  G* y
2. #urllib2
   
3. import urllib2
   
4. def getpage(url):
   $ @0 Q. w* x! \. ]! l
5.     req = urllib2.Request(url)
   " o! b* h7 w3 p* q0 |/ {
6.     response = urllib2.urlopen(req)
   + e7 V' E& N( i
7.     page = response.read()
   
8. 
   # W4 O2 M  n$ ?* }5 k" y( C. W$ O
9. #urllib3
   ! Y; w! O: a0 n% p" h
10. from urllib3 import PoolManager
    
11. http = PoolManager()
    " W9 T1 C6 B  t% ], d
12. def getpage(http, url):
    
13.     r = http.request('GET', url)
    
14.     if r.status == 200:
    
15.         return r.data
    . C8 @0 }5 o& j9 Z! C
16.     else:
    * ~+ D) L" c, z' h
17.         return None
    
18. 
      K5 d6 h# q, V+ S( \9 T' ^9 q* D: Q
19. #requests
    8 X5 U  g/ }9 D; o* z8 O
20. import requests
    % e" a8 N4 R' w+ z! i
21. session = requests.Session()
    0 z! H/ T) v6 W& b. `8 V0 j
22. def getpage(session, url):
    ! Q1 P/ E! }5 d; F0 l8 w6 Q
23.     r = session.get(url, timeout=10)
    $ b& h% j- j6 G' A9 G6 V  d
24.     if r.status == 200:
    0 S  q  g7 v: h
25.         return r.content
    
26.     else:
    9 N. i2 ~* g$ U
27.         return None
    5 e5 M# C2 l) S. g

复制代码

2 Z% w2 R+ e+ v. c" A9 i% e# o四、后期制作
# N0 R* r% V1 y/ i! t% W1、文本处理，是个特征识别问题。
. @5 \0 t1 z4 s6 x/ k* \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。
3 S& U+ @1 T- @( v- U- y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。。。）
都涉及到特征识别问题。
# Z+ z, `: ~# d3 M0 a1 v+ t9 i相比这些高难度动作，文本处理算是比较简单、基础。
6 A6 r5 n# j: O0 F- HPython里常用的文本处理技术：正则表达式、BeatifulSoup、lxml
3 U, w8 \' Y3 q) M/ g8 G- d正则表达式非常强大，但没法处理递归嵌套的标签型数据
5 B( b- u/ s+ w! D: ?（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）；
BeatifulSoup/lxml可以处理嵌套的标签型数据，普通文本则无法处理。
所以常常要结合使用。
, ^( T8 m' d$ \" D4 D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。

) N' @( |+ g) A8 m$ a% ^* t2、排版
- U* x" k9 Z* Q! |% ?5 bHTML、CSS的基础知识：
http://www.w3school.com.cn/html/index.asp
http://www.w3school.com.cn/css/index.asp
* A* F" g7 O$ n3 Dhttp://www.w3school.com.cn/css3/index.asp
非常系统、非常全面。
9 r# Y6 k$ t2 y7 S/ |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。

五、结语
$ z: \# u. W9 \7 c( A  q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。
9 s9 D  L/ ]7 ]7 S6 d+ u7 \/ f/ P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——
9 l& q* R; ^/ h) d0 y6 S( Y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。

! j7 B/ v, y: W; ]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。
& {( e* ?8 x& z. i1 t5 c
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，
" r9 |6 h( Y  a( a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
: @* \$ P" D0 a( Z# e% F" n3 e' @

========
' w$ r, T, `6 R( B: Z# j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
) |1 ]) R% X( T4 [/ M# _9 X确实如此
不过这里只是举例而已，不用太较真啦
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
0 b0 @/ u4 }+ c9 @' j2 f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。
即，
  K& P2 j7 e: v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
。。。
5 |" o8 @% {1 t9 \: ]* ]/ e2 E1 ~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
感谢楼主分享知识和经验。
1 F  h' ^  Z- F& h
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 ...

现有的mdx词典，其实足够绝大多数人用一辈子的了

2 I- a5 e: i9 }" v$ P% i, S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。
! Z/ B1 X3 i7 F1 z* Q
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。

) e5 P2 s; E: I. y4 q替补阵容：LDOCE、词源、短语8in1、韦小黄&韦小绿、Garner Usage。
9 N, ?# a+ ^; v5 \+ @+ dLDOCE用来查常用词的惯用法/搭配、语法信息；
  m8 ~% I$ w3 t, C; F/ O9 {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；
' Q# b( D: \7 z# `2 F7 x: A* e0 p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。
% {1 B& J, l. y" C
/ I# c/ S; c. t+ D  y# [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。
1 g  ^- E: j5 R; ~
! x/ `  ^" m& t( L  m0 O1 h2 ^- x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。
5 k8 S' \. P# }) \% }/ l) B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。
* {' Q' O1 }2 R, V6 r1 K1 n- l其实只是你没有发现而已。
4 }' T& P- \/ I- F4 K, jODE： http://www.oxforddictionaries.com/browse/english/
RHD：http://dictionary.reference.com/list/a/
: W& u4 O) r$ A+ i2 qCALD：http://dictionary.cambridge.org/browse/learner-english/
2 d0 `7 k% [' U( Z8 A
' m" F% \8 q: g5 Q( n* 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。
) |; A+ e' l8 P2 ^5 W9 b& W- ^以第二个为例：
5 k. }- A& \4 x- x& N' ninurl:browse | inurl:list site:dictionary.reference.com

" M7 {  ^! X7 D$ T) Q3 SPS：最近才发现这里，发现资料很多啊。
- |- ?4 k7 l& [5 |* {5 T# Y

bt4baidu

排版、修改他人制成品小技巧
5 k" D" K, M1 J, i5 H# T! D- V
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
# K# `- G" g, s" a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。。。
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
, j+ }6 r+ F( R3 N7 D- u6 {# w4 T
1、Goldendict里，在想修改的地方点右键，有个“审查元素”：


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

+ Y8 L! Z1 ]& N: a/ S, y# v5 o# ^6 y
4 n: Z2 E5 F' s! h" b) H, i3 j3、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 P% K6 L( I* M8 D' Y

收工

Oeasy

3 H* T8 X- ?3 u$ C5 q4 A7 _0 J
. N1 M: w6 D, X, g1 C- z( c感谢楼主分享知识和经验。

+ V! `6 `) Q$ P0 i0 W/ S8 [  N( ^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。

1 x  t+ a7 r, E6 M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。
+ }* \; a$ g& B* t* `: _
; M7 ]( z$ Q9 r! j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。

3 v$ b: D) x/ ^5 K' y6 z1 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。
; b- i; h5 u- [& ]+ W7 Y
% {) P* f5 B- S5 t# v7 w! P7 ?

& [2 O* U" k) s6 Z2 y
5 E8 Z1 x% p' I( {% s. O% w  z$ }

bt4baidu

Windows下制作词典必备的文本处理软件：

• EmEditor
• Beyond compare
  4 k# a, N# O0 C4 O

前者用于编辑，后者用于差分比较
2 u! o+ T: t3 B# G. K5 a( p  S$ Q' s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
9 h, d" _& _- k( W: P* I现有的mdx词典，其实足够绝大多数人用一辈子的了
# Q& K# _2 L$ k; u9 {
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

3 H' R, Q1 c1 g2 u8 @! p9 q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

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
: d: y9 G5 h! p, {6 |4 W另外Open Sans字体也挺漂亮
7 C& i7 A8 I, |. m6 h) M, A

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
" V/ E5 h$ A; l% X) A, ?1 `+ a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 ...

: a; E0 W: M: f感觉找到适合自己的问题好少啊
; `# T2 w; h* D, L1 V! @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

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

java和.net就是个垃圾，我懒得提而已
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

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。
0 C7 P, ^( N" \. E% l6 o" C  D
6 ^7 B% F2 U( y  O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。
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。
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。
9 j3 R0 D& F7 s# h
; f; @) i9 R: }; k4 L% c7 w4 j

meigen

6 ?  W, S$ p: [6 E2 e3 n: |' j6 w

3 D& {0 P' I8 T: j: T算了，道不同不相为交流
- Y& M* v' K. Q想起某个梗
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！
, q3 `; q5 g6 v" u
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。
2 i, i2 W! j' D( W( y7 C4 N
$ s  s* X% T8 X2 i2 |9 n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
2 u# W+ p, G  l5 T; [想起某个梗
$ s8 H4 `; e6 y# e6 f程序员眼中的编程语言

  U* @" ]; Z! P- O不同的语言适用于不同的人群：
+ u; s% H; B# w9 ]' o+ M! O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。
: D6 a4 r+ V. X+ X6 O8 I7 l+ L2 e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。
( V' {) ]$ B, u5 E4 s- d# {" r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。
7 A1 e2 W4 J" `1 t8 l/ b
编程语言的口水仗永远也打不完，不争了
1 Q" g& A  V9 q" S5 P" A1 q9 A. B

bt4baidu

大熊部落 发表于 2014-10-21 00:35
不赞成多线程抓网站，但是好贴子要支持！
- w. M+ G, k; c; |2 k
自以为是“文科生”的朋友们就别学Python了，因为这个世界上还 ...

' o1 T' p2 C( Z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？
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。
8 W8 ]9 K. u: R0 |- o
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。
# ]1 A  o, G) g; N/ P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，
  F' d4 k' w; R$ j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：
$ [8 Z/ b9 J! x6 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。
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
6 g5 \& H& e- l: x下载软件？推荐一款？
0 e  Z4 T7 `! v$ H7 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；
* V- N4 D8 W( d8 h( T: b现在99.999% ...

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。
! l- i* r- W+ w" Z; c- Z1 ~
% {$ z/ E" N  s$ [5 x) j$ d- o* ~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。
% }& z  Q7 M( ]# v$ T
8 X, {% V( o3 F$ L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。
9 h. M) J" ?& H; n1 n+ O
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
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  _1 N4 y( b5 q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

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。

) E4 m- e" N" [+ m4 f' U* S. s0 s5 c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
; b8 i, \7 a$ {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

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
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。
( T& W  \' J- S; e" t
8 K2 M+ _2 Z! J) f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