|
本帖最后由 bt4baidu 于 2015-11-22 10:08 编辑 ; z" u7 M8 \- V7 }
, }9 ]6 ^. U' P2 K9 d/ E, {这篇文章主要是给计算机小白和初学者扫盲。
0 F. ~1 W* O5 R: ^) C* S5 G( X b" l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。& \! n7 o. z5 I$ Y$ S1 Y, r. o4 @) D
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。8 S S+ j* h( k8 n$ K/ |' F3 X
1 F; D; Y4 q# V3 T& k [$ M6 `+ t5 h
一、计算机的两个终极哲学问题
( S! _$ \0 ?) m3 Z7 [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。1 q! a# ~2 t; R& ~+ g
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:% |, P) N3 `, x: n* {4 ]
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;( ~; K; U$ q. F, E8 x
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。+ S8 H4 U8 D2 ?2 T% \$ S2 f T
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。
- j9 w) I7 v2 P' S. \, @“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。 @( ]$ E' \) t# i3 [& S
; L/ g$ w/ ~" m( G3 f y% D! K那么要写出程序,立即就会发现不得不解决两个问题:6 g- \, y8 l/ X2 o/ _/ x; R4 U
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。1 ]9 ^0 A% t$ i- w. f8 V
2、怎么把两种方格区分开?也就是特征识别。7 k; Y! P; f! [0 N g8 h
这两个问题,就是计算机的终极哲学问题。# `2 E4 X( L8 K+ l; ^
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。5 u, y$ }( z' m( w/ ]
下面的讲解也会以这两个问题为核心展开。
" C3 i5 e& U0 z8 w, T' ^
3 a. U: X9 ~4 i z: ~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,) M) I0 c* y: g/ P' C
——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。3 E* @" b) o7 e4 s$ q8 V" H/ c
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。
* B5 p( E7 T e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,
; @' m$ F8 I4 W4 o+ _8 ]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。
2 {: Y, J0 k! U& }. M+ L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。
[2 I) ~* M8 Y3 e4 w/ r Z+ R. k! D6 l. S- i. T: I
不要觉得自己上学时学的不是这个,or文科生,就不行。& ^0 q7 @! n0 }! i# C4 |
江民杀毒软件大家想必都听说过。
, `7 ~+ J4 B: H6 F# ^9 U7 n% P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。8 F/ d. j1 O' J7 W; J
咱不奢望成为专家,写写程序总还是可以的吧?
( u9 q E+ j! ~ Q* C% s9 h- @% Z5 i8 F5 d
二、采用何种编程语言
+ Q& X% h, D3 t5 g上面已经说过,存放、读取、组织、区分数据是编程的核心问题。1 s, K5 i7 ^' x7 M% q, 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。
2 L2 U! }, F+ C8 @7 Z Q抓网站,恐怕没有哪种语言比Python更方便。; B- S+ K* N) f, @3 p a- 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,; V4 j' i1 W( R$ B& W$ J
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,
, z2 S3 L5 y. a: M9 l) N1 \没有慧根就别吃这碗饭。 y: {2 k8 t0 b
7 [1 n% _( l, X/ s; c2 k三、网站抓取技术, }: K3 e2 |3 X( C- b" L; B H6 R
1、下载某一个网页,提取其内容
9 h' y k7 W, a) e' S* U; q' L8 m以前写过一篇,就不重复了。参考:" h1 v3 @9 Q0 A* P, Y
用一个简单的例子讲讲怎样从网站上扒数据
% c; m5 L4 {) e0 d; d$ B) `" F9 R
2、寻址问题
0 E9 s: a9 ~3 _7 f/ G8 h/ p; L下载网页,自然首先要知道网址,也就是东西放在哪儿。
# m# w$ K! M+ }3 ^' d( L" i' _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。
+ S' |, w4 f$ a# ?/ y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,
; ^% H% b' m3 d) j: ~: E- L5 o要把单词弄全,就要想办法得到每个单词的网址。
7 @1 l% [) m" b: W" g* {总结各主流词典网站,大概可以分为这么几类:9 [! g6 [/ d* K6 Z; A, o
I. 事先有单词总表
[# W t% w2 {( n8 v6 P$ M1 Y) y% V比如http://www.vocabulary.com就是这种类型。9 I- R" b( k9 X$ [
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。
1 a+ w2 b7 v/ l1 s. o8 P
0 g& U+ T6 U' bII. 网站有索引页面& C& E* M" V3 W) }0 Q
如:! C1 e* g- h5 |7 M9 q
OALD(http://www.oxfordlearnersdictionaries.com/)
* H# a8 G# A& d: x它的索引页在 http://www.oxfordlearnersdictionaries.com/browse/english/
0 { k T. K' a, }! b1 CLDOCE(http://global.longmandictionaries.com/)2 Y- Z/ j+ |' [- u
采用框架结构,左侧边栏就是索引页7 q; M* E5 C$ C% @# F
MWC(http://www.merriam-webster.com)' B5 Z. V! r( O5 P- Q
索引页在 http://www.merriam-webster.com/browse/dictionary/
, c. Q, O, M: a( s2 f/ E等等
+ h( L: a [+ c U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。% ]! w5 p8 J3 ~* s. U% p
- ) O. ?+ \8 o$ A7 ?
- urls = []
( G" r) C! P* p - for someindex in indexs: # 循环所有索引页2 D" [3 H5 G' k+ N& o# H% ~% C* J; m
- browseurl = ''.join(['http://somewebsite.com/', someindex])
7 p$ i+ ?. W" t0 [! n - browsepage = getpage(browseurl) # 下载索引页面
& h2 D7 A( e3 i9 m+ c, p- s - target = SoupStrainer('sometag', class_='target') # 抠出放单词链接的区域: S$ z! z& r Q
- bs = BeautifulSoup(browsepage, parse_only=target)
- s& Q) [" o) p - if bs:4 j+ V/ X- P. ] k% [1 M
- for a in bs.find_all('a'):8 }1 _: b/ l9 r; Z. Q5 c
- urls.append((a.string, a['href'])) # 取得该索引页上全部单词及链接
' z. h Y0 i7 ~ - 然后:
6 `4 z5 {3 {) u1 m - for url in urls: # 循环所有单词
, h& R0 s+ K1 C+ B- ~! z2 O - wordpage = getpage(url) # 下载单词页面0 [3 U1 I9 t# H- k* E. S2 {* y w
复制代码
j, z, ~/ U' Z( J! T+ F' K4 r1 D% z% Y3 \8 d& j. W
III. 索引页和单词释义一体型网站
8 y% i# M4 p* R- `" O如:Online Etymology(http://www.etymonline.com/)' {1 d6 _3 U) r. W
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 t# s* b; j; R9 c6 O
- $ F; i, }' F- W w7 a6 d0 F
- for someindex in indexs: # 循环所有索引页
6 d- s/ v3 L/ T9 s; m - browseurl = ''.join(['http://somewebsite.com/', someindex])4 a6 H3 E4 V* L) m5 R+ c- p1 Y
- page = getpage(browseurl) # 下载页面* M& m7 F, P: J2 x
- target = SoupStrainer('sometag', class_='target') # 抠出放单词的区域
& |' ~$ ]7 C, l: S - bs = BeautifulSoup(page, parse_only=target)0 \2 p% G! U% X/ y6 x
- for tag in bs.find_all(target): # 循环抠出单词, v' a( K9 Z( S _/ F' x( f
- worddefine = getworddefine(tag)
% {. h& L& x/ m! v9 a
复制代码 * Z' ?5 D% a- C- g3 H
/ Q, \1 z! C f( O. P$ kIV. 片断索引型网站
& ~/ ^$ i: v+ B" j如:
5 i- f/ |0 F( P: n2 U' v" eODE(http://www.oxforddictionaries.com/)# A6 W$ R) m3 i/ N; q1 _; S' l
每查一个单词,右侧边栏有个Nearby words0 M; k4 z* ]( R3 J
RHD(http://dictionary.reference.com/)
% s T. Q# Y k. H2 f( ^0 R/ z" _7 t右侧边栏有Nearby words
* w) G* U1 y- @! ]) yCALD(http://dictionary.cambridge.org/)
7 d) G0 I( M4 l, A8 @在页面的最下面有个Browse栏,给出前后相邻的单词# l" ^0 l0 `: n: G$ l+ c
这类网站没有总索引,只好利用它的Nearby栏。
/ B3 d; M* w; g4 w+ P& E: y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,
9 N/ N0 L( H+ W! Z: ?* b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 I% a+ b2 Z4 a" V* ^
- 5 U/ m8 f0 S& |0 N$ O0 L
- cur = 'a'% e9 E H0 h5 c- `2 o
- end = 'z'
/ }1 u* ]8 j6 L8 q6 S - nexturl = ''.join(['http://somewebsite.com/', cur])! G) K1 p$ E, M$ ]
- while cur!=end and nexturl:. e' h% @; P1 t) s, K7 i
- page = getpage(nexturl) # 下载单词页面5 z) W1 C' p8 D2 x( c9 |
- worddefine, cur, nexturl = getword(page) # 得到本单词释义、下一个单词及其链接. H: x/ A- |# C& Z
复制代码 6 d8 K/ i" k7 c. M$ ?$ g" O
7 ^! g) o, I$ U' o' Y7 `1 h6 D5 l
V. 完全没有任何索引,那就没法子了( }8 L6 _/ k/ n7 U
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+ S* t7 J* V$ c! u4 \+ e& x理论上也是可以的,就是效率差一点;
/ P7 Q2 y3 i# ]5 K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。8 L1 t( J, N! K# ~1 A5 o1 D" t
$ y& M7 }7 b- u. B S
3、提高下载效率" e5 m; g0 A7 X. z2 J* N: h9 h
I. 多进程
3 L8 D7 W) r; z# o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。: a; c" }9 p' e6 k1 Q- ?0 l! s* r
实际抓网站时,这么做效率显然是非常低的。( |# V3 d; a: 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,& q* d1 x# z/ 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。) X5 O% ~: [' n
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?0 C- O6 `- `5 I1 m. r
要速战速决,就得开多进程。# G6 O* [2 |8 A. R( h+ [& E
同样十万个单词,分成25个进程下,也就是28/25=1个多小时。
4 y" t- f$ m0 a- e5 X5 ^% r, Z, i% ~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。
4 N3 [! ?2 i, p7 o! d在Python里开多进程,同样十分简单,+ t7 G8 M" G0 q1 ]7 ^/ p+ [& A
. y! N/ [: m% G5 x/ U- from multiprocessing import Pool
- J7 W2 Q( g1 B& m! O) |' ^ - pool = Pool(25) # 开25个进程* S! P3 M: K' d& e3 @! ]
- pool.map(downloadloop, args) # downloadloop是下载函数,args是其参数
/ `7 p( n% ?+ {2 O7 W7 U
复制代码 , {3 K, `6 h. d: f4 c' d
这就搞定了。
& c- r$ N) K% e# @" j2 {# S/ v' P2 ^8 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,
G' S+ z6 S; ]" w( j: @, c关于IV.,事先没有单词总表,就只好采用区间的概念," L2 L6 O7 A* p5 m! j* ~
比如('a', 'b'), ('b', 'c')。。。这样划分若干个区间下载& L" u- I+ k4 G+ E: A
; R8 g# G$ M! ]! n初学编程的人,一碰到进程、线程,常常有种畏惧感,
/ t8 c; I. V1 n' I1 w看到同步锁、共享内存、信号量什么的顿时觉得头大。' r6 z2 X- N |; g
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,
# b+ W! o, C) `* o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。
4 Z% T$ E: D" x+ O- _: N( D: M) R' Z( E0 ^3 w) o
II. 断点续传
2 |( S' e+ `0 K: b4 o1 v. ~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 e% Y- E; H5 l- d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;
, b* D. J/ h+ o即便无法自行恢复,也得容易手工处理,不然可有的烦了。' I, V1 T8 U% V8 _, F* u8 Y
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,5 L; @# k5 B( j1 q8 S0 F: _% a
直到所有区块下完。0 w p% H4 q$ V. w/ W
- 3 A7 s, m7 n3 u
- def fetch_a_word(part, word, url, data): # 下载一个单词
t) F1 V l9 r - word_define, failed = get_a_word_from_website(word, url)
* @) i& p7 C; E - if failed:
0 \* }( B* h" Q5 t - dump_failed_word(part) # 输出下载失败的单词及网址1 p f# f# i7 z! J0 i
- return False) Y$ ?. ^# x/ ~
- else:# K) f! b9 n+ _' A4 }1 D
- data.append(word_define) # 保存下载成功的单词数据
- ^* C! s! z8 t! m - return True! M5 v; m: x) n$ {/ G
- : ~6 F2 x' `5 }! P, f% t' M7 D
- def download(part): # 下载一个区块 C7 t% o' Z) v% x8 H: g$ @
- words = getwordlist(part) # 读取单词总表" X) s0 Z, H+ m6 h; s" J6 @
- if hasfailed(part):
: W- C+ t/ W2 {$ L! I9 |$ ~3 v - word, url = read_failed_word(part) # 读取前次下载失败的单词及网址
/ ]9 n8 E" A& `7 \! \& q7 p - else:
0 b$ X$ c3 U/ v# }( @' `! d# i/ { - word, url = words[0] # 首次从头下载
M; P) w$ x6 s# ? - data = [] # 用来存放单词定义
/ O* h6 |/ N8 P# W+ c - while not_end(words): # 循环下载
- f4 o$ i2 k% w m% N4 Z - if not fetch_a_word(part, word, url, data):1 k( w: V8 L. T
- failed = True
+ q5 b' A3 C- l: i1 H - break) J/ t( J5 z/ r& c+ P# S/ E
- else:
: a; B; c! w N; F+ b' S - word, url = get_next_word(words) # 准备下一个单词及其网址+ S8 t% p; C( t" O
- if failed:
- v3 i2 h6 R3 e5 Q - suffix = '.part'6 z, `- _5 {) V' j2 U p8 O
- 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'
7 a9 W3 X/ W! `7 A/ q - a8 N1 P$ B# @' a( T1 [+ K
- def isfinished(part) : # 判断某区块是否下载完成
/ r1 C6 h1 y4 D$ s" D - if is_data_file_exists(''.join([path, part])): # 通过检查数据文件有没有生成来判断
9 Z3 e* R8 C9 R. D3 V - return True
; _( [% x, [+ l6 p! j% C& c: j - else:
. R3 S$ h. ^$ J2 T( P* \ - return False; F' ]6 p% {+ a- v' O
; P0 h' P0 `" }& [2 m- def downloadloop(): # 循环检测未下完的区块# y/ P. w' |* D
- finished = 03 D9 v- y; s0 t# n3 h
- while not finished:
5 k5 b3 f3 E/ F% K( E+ M5 M7 o - nf = [] # 没下完的区块
, O+ A* d1 G/ [; Y - for part in parts: |& l. X# W7 U6 q1 p" D8 Y, y Y
- if not isfinished(part):
& m W* t0 x- x F% r - nf.append(part)
" ?: l# |. g7 V6 e - finished = not nf
: t# w, k" ~) _5 u- n - for part in nf:
( g3 l1 ]& g9 R/ U1 s - download(part) X: ]" P! w$ V
复制代码
+ ]* i% s1 |, ~. }+ b' [; \( h
III. 高速下载网页的小技巧( P$ N% v% l2 D* v( e& r z/ p" X
Python里面有三个库都可以用来下载网页:urllib2、urllib3和requests。7 ?3 f; z m% o2 U* }0 }* \* O
其中urllib2是Python原生的,urllib3和requests为第三方库。- j5 Z0 H' Z) V
(似乎Python3已经把urllib3收编为正规军了)' q. J2 T; v& I- |& x# Z: p; H
这三个库有什么区别呢?
( Q8 A% g# P3 Y( T/ S( \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。 A4 I' C% \% \' z% F4 _
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 y# M) O: [: j6 ~* _& x& y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。
2 t$ d. `9 U& J' q H% R* K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。1 m% V2 U$ B9 X' n6 A
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,
# G9 C4 X m) I( ^' c通吃一切网站。' I$ [, b9 D: S1 V
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。# t1 x# q" M8 S* l' @7 N! X
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:
8 h2 K9 Y4 S3 @" jhttp://urllib3.readthedocs.org/en/latest/
1 v- F; ~2 F6 |7 \http://docs.python-requests.org/en/latest/:) ~9 P2 D. ]! b$ [6 Q
; [$ N5 i" |3 F, K- #urllib2/ S: \: ]3 d5 N# i+ Q: ~" r4 `3 I
- import urllib2
, x* s0 J" x! q s' V+ A - def getpage(url):' j3 l$ U% y4 U9 x$ ] q! |
- req = urllib2.Request(url)
- K! ^( z+ ]' u% x, k: u - response = urllib2.urlopen(req)* E6 X$ @3 L1 h) D4 |. A/ ]
- page = response.read()" _9 G6 `# P( T
- ~5 F; v9 l, T* M2 H- #urllib3
$ u0 k$ [5 H; L( B) U$ _, I - from urllib3 import PoolManager' T) G- t" |4 m. J$ c" r# _
- http = PoolManager(). V4 n" P0 ^" c' s, W
- def getpage(http, url):
0 A- ]) R& y' J4 X3 d - r = http.request('GET', url)
1 }/ c8 `! C. l3 x3 ?& H" G - if r.status == 200:
" G b* ~, e& o1 a' Z - return r.data
a* g9 t7 x+ z8 Q - else:: A; ?3 D- o$ U: U: A
- return None
, ]) |0 I1 n5 V/ d2 R4 w: k - 6 L. Q/ f2 i2 k/ ~- s
- #requests9 R* a8 n8 t1 @# Q/ \- [/ |
- import requests4 Q3 U) }4 L2 w) T
- session = requests.Session()/ s( [' c% w6 U) F1 x
- def getpage(session, url):
- j B% g7 O3 K! m0 r" T! J, ?; {. Z - r = session.get(url, timeout=10)
' |. H! o. e. e- y - if r.status == 200:
: A. w: m9 z& K# N1 T$ S t - return r.content
" U+ s0 N, q6 m" d3 _, I7 a) Q+ y* k - else:: V+ R! q, D% M- r. [) n: T- Q& M# t5 i
- return None
q3 S* x7 W+ H8 v( t
复制代码
, L* g2 J f4 {$ a5 [% G& B& ~* b四、后期制作( b' N$ z- Y/ f
1、文本处理,是个特征识别问题。
' Y, V! o5 s$ b: a; N; \" X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。
: M! ?* @5 \* @5 L2 c& Z! 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。。。)
+ t$ Z5 J8 Q! `4 I0 m都涉及到特征识别问题。) G. r1 L+ G$ j/ {
相比这些高难度动作,文本处理算是比较简单、基础。9 y3 L3 ^0 F8 N/ q- q* u# T5 m
Python里常用的文本处理技术:正则表达式、BeatifulSoup、lxml
6 e) ~' \ G0 b. j: D1 n2 Y正则表达式非常强大,但没法处理递归嵌套的标签型数据
4 l' n( x0 {- W" Y) b0 g _(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);
9 y Y( X; f& [2 EBeatifulSoup/lxml可以处理嵌套的标签型数据,普通文本则无法处理。
) ~/ o: {$ s! E所以常常要结合使用。
% M$ t- u& y( 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。
2 ?0 {. r2 q, W, [ T- h) A- `. p1 ]4 o! b$ _' X* n- q" w) \0 ?
2、排版+ r! H4 H" f( w2 N3 U6 n
HTML、CSS的基础知识:- ]8 m$ u/ k+ |/ t2 r+ F( q; k. T
http://www.w3school.com.cn/html/index.asp
$ Q i6 v+ Q( x5 ~( x+ M( Whttp://www.w3school.com.cn/css/index.asp
4 Z) l9 G _! x" @- Lhttp://www.w3school.com.cn/css3/index.asp0 G/ h" `' {9 D, b
非常系统、非常全面。
% | r0 c8 @7 Z1 J9 B/ Q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。
8 Q; [& w1 S6 J* U8 I& k# m" v+ |. d$ e7 y) f7 v5 V
五、结语8 b4 P) y& b& k2 Q; w' _6 t
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。+ W. {5 |$ [0 W8 b$ I: h! \3 L
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——3 u( T$ C, V) ?' G5 i8 S+ z
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# [6 Z; P; \
9 }' y& V1 _4 X" v2 y z5 M6 y6 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。
: s0 n; A4 x7 O! j: l4 G0 }2 J0 M$ n# k' F! H
只是拜托不要打扰别人,真想要就自己动手。
5 q: |: ^$ K; k( `0 I+ ^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。
3 g/ [3 M( v, C9 o( H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。
( o9 A8 S' ~" E: w) h虽然每个人都觉得自己至高无上,应当受到别人重视,
8 x4 t: T* E F C, Z( s0 U" y, B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2 T) e# Q2 W+ J* f2 ~ X. U3 L) A
5 j, o( |! W/ }$ l9 U B
1 G2 L8 G0 {! J% x# C) }========$ m/ H" Z6 S) Q* t9 u3 v6 {
六、拾遗( U0 a5 m- K) m) A! T. f
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
0 X. d( o0 k! r* ]确实如此
# F- c8 j' H6 N, \( \/ l不过这里只是举例而已,不用太较真啦 3 [0 Z+ u5 B! _) q5 }
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 X M5 X, z) \. c( @: w! 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。5 `& g: U. e& I4 r5 L; B
即,
" `8 E* U% o" p& j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)
3 N+ b; n6 N) c+ L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)% M( s; e( j) E: F, x4 m2 f8 N, O& X
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
6 `: R1 Z* M" {( k7 N/ i。。。
9 w6 L- ?7 U6 k2 P# Q! e: d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)/ r: [9 f# ?9 Y# k! `
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。8 g3 P1 Q) }' D# a# o
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。3 S6 D7 L1 _5 N1 C
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。. B: v! R( V2 D' Y' z2 F6 f
|
评分
-
4
查看全部评分
-
|