【史上最全】在线词典抓取、制作技术汇总

bt4baidu

8 Y/ _0 f5 Z' c+ {% f$ j' J
, Y" H2 y. u1 y% X6 v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。

# ]1 `- ?" l$ h- p" X1 ^2 E一、计算机的两个终极哲学问题
/ B1 c- u& C1 [2 m3 W1936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；
* u* C: E' e. |3 y$ B- A- i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。
3 [( h1 u$ d2 R  f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。
  P! C5 F& B# t! g; M; o3 y“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。

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。
7 I9 d  s- {  A  ~. M2、怎么把两种方格区分开？也就是特征识别。
5 D( n0 i" B: V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。
下面的讲解也会以这两个问题为核心展开。
) s' f  E, c0 p; ~8 _3 v* D
% E: z) Y. b$ P/ W  E9 iBTW, 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，
0 e" j. [) {: }2 P( Q. w——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。
# k+ t6 v# d+ m! ]; P9 _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。

不要觉得自己上学时学的不是这个，or文科生，就不行。
江民杀毒软件大家想必都听说过。
1 e, Y% v3 J7 H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？
  c3 F8 z2 [! ^! h
- I$ C! `6 ^$ J; b& u二、采用何种编程语言
# P' ~$ @" S/ `3 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。
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。
% t4 }- R: B6 v( v抓网站，恐怕没有哪种语言比Python更方便。
( I  d/ T6 w. {( s0 M- u$ L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，
- P3 D8 q9 P8 L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。
2 q  ^* v; t  l" r$ W1 K( U" R, ?
! K* A" a6 ^8 W6 E8 M/ X' Y( S三、网站抓取技术
1、下载某一个网页，提取其内容
: }+ V# l, M7 }& d以前写过一篇，就不重复了。参考：
7 k& D3 p+ h& L7 u: U0 E: r- a用一个简单的例子讲讲怎样从网站上扒数据
2 `! j( O$ ?$ y' ~9 M7 U
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。
/ x( L" c' ?8 e% l/ C/ D3 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，
要把单词弄全，就要想办法得到每个单词的网址。
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
6 P% ^( \6 `. J" [6 Q5 E9 X* L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。

9 ^. _9 u9 d* [& ?# U8 dII. 网站有索引页面
1 W# \$ e: K5 K  R, g; L: T# G如：
OALD（http://www.oxfordlearnersdictionaries.com/）
它的索引页在 http://www.oxfordlearnersdictionaries.com/browse/english/
LDOCE（http://global.longmandictionaries.com/）
采用框架结构，左侧边栏就是索引页
MWC（http://www.merriam-webster.com）
索引页在 http://www.merriam-webster.com/browse/dictionary/
, Y5 X) m" Z/ m8 F6 ~1 I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。
7 ^9 u/ G  R( r. x% P3 V4 k, ]

1. 
   5 j  K) U$ A- w& T
2. urls = []
   ( A$ \' }* y7 X, D7 J6 X
3. for someindex in indexs: # 循环所有索引页
   
4.     browseurl = ''.join(['http://somewebsite.com/', someindex])
   
5.     browsepage = getpage(browseurl) # 下载索引页面
   - h; k7 t2 d7 f: s( c, U
6.     target = SoupStrainer('sometag', class_='target') # 抠出放单词链接的区域
   7 v* d, f0 C5 u$ ~: O& m
7.     bs = BeautifulSoup(browsepage, parse_only=target)
   & }1 {8 v. l6 Z- S( @' \
8.     if bs:
   ; @( i* J, |5 U9 ~- J+ |
9.         for a in bs.find_all('a'):
   / ~: g. C" e: b) g+ j# y
10.             urls.append((a.string, a['href'])) # 取得该索引页上全部单词及链接
    ; }. t) }3 P2 D+ P3 g) O- ?
11. 然后：
    " F( ?; |4 V1 [
12. for url in urls: # 循环所有单词
    5 `1 H2 ~' L$ g2 u8 ]$ k( s
13.     wordpage = getpage(url) # 下载单词页面
    ! z" G; a- _( w, I& @; r8 ^# I

复制代码

III. 索引页和单词释义一体型网站
& |  C5 r% B7 Y如：Online Etymology（http://www.etymonline.com/）
/ h4 z% ]. M& r4 F0 o( L, 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

1. 
   
2. for someindex in indexs: # 循环所有索引页
   : G6 x" f9 I9 h: x& V  Y
3.     browseurl = ''.join(['http://somewebsite.com/', someindex])
   , Y# S/ p2 _$ |. x! A3 ]4 k: ]0 F
4.     page = getpage(browseurl) # 下载页面
   % h& E: H( F4 P. f1 ~1 E
5.     target = SoupStrainer('sometag', class_='target') # 抠出放单词的区域
   
6.     bs = BeautifulSoup(page, parse_only=target)
   
7.     for tag in bs.find_all(target): # 循环抠出单词
   / h/ G" v" P+ B- q
8.         worddefine = getworddefine(tag)
   

复制代码

$ F6 x+ U* B. E5 K2 J
IV. 片断索引型网站
; e. p3 `7 p" D3 j如：
ODE（http://www.oxforddictionaries.com/）
9 I( L0 }$ ]0 g& h- d每查一个单词，右侧边栏有个Nearby words
1 x8 X3 P8 x  y# E9 |1 t3 p/ |: IRHD（http://dictionary.reference.com/）
右侧边栏有Nearby words
. q. P4 _! v* ^) S/ C$ ?6 J# X  wCALD（http://dictionary.cambridge.org/）
在页面的最下面有个Browse栏，给出前后相邻的单词
这类网站没有总索引，只好利用它的Nearby栏。
( M6 g, z& I  O8 N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）

1. 
   
2. cur = 'a'
   
3. end = 'z'
   5 k* l2 J- F: Y, l
4. nexturl = ''.join(['http://somewebsite.com/', cur])
   * o! a* ]' k$ b# _9 |$ w
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
   $ e( t3 Z8 h4 ?" U& a, E" n

复制代码

/ q8 N+ r0 O; R0 n/ y
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
/ c. s8 w+ I3 n6 K理论上也是可以的，就是效率差一点；
* L3 |# _7 y: `7 i7 A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
- {( k) N# t" A# i3 rI. 多进程
5 c: e/ ^8 z$ q( r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。
. D) J6 W) q5 s( {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，
; [$ q0 Q3 g% @4 h& r  _有些网站还经常抽风，半分钟下载不了一个单词，那就更慢。
2 i0 T* C; n/ P% V$ a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。
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。
! S& J0 ^1 Y3 h2 w# f在Python里开多进程，同样十分简单，
2 v: V* V- Z1 v" T; M( i' ^# }

1. 
   
2. from multiprocessing import Pool
   
3. pool = Pool(25) # 开25个进程
   
4. pool.map(downloadloop, args) # downloadloop是下载函数，args是其参数
   ; R5 u0 H0 Y; B/ ]9 F/ X

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，
+ V+ S$ ^% F  c  I- o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
" P3 n: A; c- E" x0 M. J* l& {
6 C# D+ C8 H8 T1 K  A6 b初学编程的人，一碰到进程、线程，常常有种畏惧感，
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，
) X# n6 Z. q5 K* _9 {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。

II. 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。
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。
# i" r, h: m- {9 B% u% ~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。
' r. {, |, x  M1 z* E

1. 
   
2. def fetch_a_word(part, word, url, data): # 下载一个单词
   
3.     word_define, failed = get_a_word_from_website(word, url)
   + ~, y+ v% c% @; q, {' C
4.     if failed:
   / _' k* j2 t) v! G
5.         dump_failed_word(part) # 输出下载失败的单词及网址
   
6.         return False
   ! h  T- r+ f0 |  E
7.     else:
   6 V9 w0 L( A; z& k4 r
8.         data.append(word_define) # 保存下载成功的单词数据
   9 s0 N$ [/ S+ f) a4 J/ u
9.         return True
   + G+ K, V* T# ]  C% u2 W
10. 
    $ Q, ^  b- m0 ~& k4 f: T) I8 @
11. def download(part): # 下载一个区块
    
12.     words = getwordlist(part) # 读取单词总表
    1 f; d; y$ {! l1 S& o0 t
13.     if hasfailed(part):
    ; K( i3 U; b& S( V  S. S
14.         word, url = read_failed_word(part) # 读取前次下载失败的单词及网址
    & [; F3 H% I: T2 s# w1 i" l( I
15.     else:
    8 V# r  U# D& I* Y! L2 @# P
16.         word, url = words[0] # 首次从头下载
    
17.     data = [] # 用来存放单词定义
    
18.     while not_end(words): # 循环下载
    # G3 s, c7 `- ?1 \: K# ^5 Q, O
19.         if not fetch_a_word(part, word, url, data):
    
20.             failed = True
    . j# y- x) T  X+ k
21.             break
    
22.         else:
    
23.             word, url = get_next_word(words) # 准备下一个单词及其网址
    3 v5 m. f0 o0 A- C
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'
    0 _6 o/ V) t# S' _  o- o# ^" [
27. 
    
28. def isfinished(part) : # 判断某区块是否下载完成
    $ J3 _/ n. Z  {/ m
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; P$ e, q" L& S6 q* s
30.         return True
    - V' B$ R2 Y7 C) V6 f6 \
31.     else:
    7 H7 V! h; N* D( Q. N+ Z8 Z
32.         return False
    
33. 
    5 M- C6 j9 y$ A% C/ s3 S
34. def downloadloop(): # 循环检测未下完的区块
    8 ]- |& \' f5 p$ D* m6 p* m
35.     finished = 0
    ' `: o1 V3 \6 `
36.     while not finished:
    
37.         nf = [] # 没下完的区块
    
38.         for part in parts:
    
39.             if not isfinished(part):
    4 E- a; W/ T4 E6 m- g
40.                 nf.append(part)
    
41.         finished = not nf
    
42.         for part in nf:
    3 e2 c6 p" Y& B) P/ g1 A
43.             download(part)
    

复制代码

8 k# a- }1 z1 c  I! t1 i
III. 高速下载网页的小技巧
3 R8 Z& Q! [/ X% g& N1 r) k: `Python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。
（似乎Python3已经把urllib3收编为正规军了）
1 [+ p7 P! T" j0 T这三个库有什么区别呢？
2 U, H! L* V( G; i; 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。
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 o2 G; k1 N# n; |. |+ a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。
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。
  P7 l# e# A8 y" Y9 b& v( o+ P; T& _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。
1 Z% ^! x6 u4 g0 L  [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：
http://urllib3.readthedocs.org/en/latest/
http://docs.python-requests.org/en/latest/：
2 m4 `) R. N, [% C" |/ J9 M

1. 
   
2. #urllib2
   
3. import urllib2
   
4. def getpage(url):
   
5.     req = urllib2.Request(url)
   , d. n# w8 t8 j- V! T! Y
6.     response = urllib2.urlopen(req)
   
7.     page = response.read()
   $ ?" b3 k) Y6 Y9 @/ z! W
8. 
   
9. #urllib3
   ( E+ D% s1 m1 j) B! Q
10. from urllib3 import PoolManager
    
11. http = PoolManager()
    # t! O1 D! C* V9 r2 L5 P4 `7 F
12. def getpage(http, url):
    
13.     r = http.request('GET', url)
    ) E4 R+ ?3 O" t4 [+ N3 ^: n
14.     if r.status == 200:
    
15.         return r.data
    ) W* S2 V; ?. ^& ~) s" O
16.     else:
    
17.         return None
    
18. 
    
19. #requests
    
20. import requests
    4 @& L: Y5 N0 f3 I3 X2 Q* U, M
21. session = requests.Session()
    ' ^: I3 q5 q' }2 G
22. def getpage(session, url):
    
23.     r = session.get(url, timeout=10)
    7 u* {4 e' ]2 N% @9 [5 q2 I
24.     if r.status == 200:
    
25.         return r.content
    
26.     else:
    
27.         return None
    3 u9 y: ~( O0 G7 k- u% R

复制代码

四、后期制作
# j- B# \! n: i8 p( f9 H' h$ B1 G3 K1、文本处理，是个特征识别问题。
3 P$ `$ y4 h: j2 W, b7 G8 w; l$ _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。
& }0 ~8 q6 F; D7 ]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。
6 ~9 O$ {8 R+ L' [! S- |9 {相比这些高难度动作，文本处理算是比较简单、基础。
' s* K9 h6 Z  F2 T/ dPython里常用的文本处理技术：正则表达式、BeatifulSoup、lxml
2 ^" J: {; h* W/ h8 V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）；
BeatifulSoup/lxml可以处理嵌套的标签型数据，普通文本则无法处理。
+ ~# a; r: W; b  M: J8 R5 u所以常常要结合使用。
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。

6 h$ ~% b; v: a, y8 V6 y9 a2、排版
HTML、CSS的基础知识：
  a8 [8 _6 S( r8 Khttp://www.w3school.com.cn/html/index.asp
8 L$ u5 q4 g- Z1 lhttp://www.w3school.com.cn/css/index.asp
http://www.w3school.com.cn/css3/index.asp
非常系统、非常全面。
; _' y$ O' Q3 [; M1 \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
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。
! o1 C5 l8 ^7 g# S% @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——
/ b- x" o- v( {8 p: `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。

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。

( y9 Q- k5 Q( C& r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，
$ W3 V0 k/ H$ D" ^2 l4 Q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
  e5 r7 f8 H  `1 e

========
六、拾遗
) n0 F1 E0 O3 ?+ E8 Y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
- X9 A# w4 T# o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
9 Z0 `) B/ e" d- b0 B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。
. a- c. S8 y) ^+ w! y3 @% D. U即，
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
。。。
( ~  b/ n* [  S1 z$ j* B' |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）
+ W' F) @$ B( t& r- \  _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。
5 N5 t! P- C" `' y

bt4baidu

Oeasy 发表于 2014-10-24 18:41
感谢楼主分享知识和经验。

. Y/ t+ Z$ d, 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 ...

现有的mdx词典，其实足够绝大多数人用一辈子的了

* m1 b* z# B  X+ q# g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。
6 A4 K. c0 ^5 n5 F7 z& q0 q" |
. T# Y/ Z; u1 n8 {9 l+ G本人最常用的词典：
主力阵容：VOC、ODE、WBD。
/ M( W4 x: [7 H8 G  @4 t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。
! |8 o; U. A2 I! g/ R: `4 h. t
替补阵容：LDOCE、词源、短语8in1、韦小黄&韦小绿、Garner Usage。
" q9 c$ p9 H/ [% _7 F3 e! OLDOCE用来查常用词的惯用法/搭配、语法信息；
% ]) A2 o  [( J' T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；
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。

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。
& k1 Q" U- H+ l1 j3 t0 c" o1 B“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。

2 U0 F" \- V+ ^4 j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。
% r# Q" a3 l. c! _" k) d/ i; D6 c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。
5 Z* e0 G& Z6 `" K; u1 g9 `

happlebao

针对

IV. 片断索引型网站

说一下。
) s% H& v* s" A; Y& H; x7 B其实只是你没有发现而已。
& \5 f) a0 R* w8 Y: l1 Y6 vODE： http://www.oxforddictionaries.com/browse/english/
& }+ C. }3 j& z# ARHD：http://dictionary.reference.com/list/a/
CALD：http://dictionary.cambridge.org/browse/learner-english/

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。
0 C7 w, a9 r$ K3 {0 P" u以第二个为例：
inurl:browse | inurl:list site:dictionary.reference.com

( P5 k+ ?  ~; m4 m& |7 a8 W. |PS：最近才发现这里，发现资料很多啊。
: o0 s% _2 U  t4 m

bt4baidu

排版、修改他人制成品小技巧
4 {/ I5 ]1 j! l1 C/ H# k
: W/ N  M1 x* r. J2 |' `' e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
4 X4 X  l; _: M0 V7 ]9 A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
" X5 O  a; @( H& J& {$ Q1 N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
( k9 \% v0 W: K. m( }5 g2 f
9 T! h4 f1 I- s: A/ e1、Goldendict里，在想修改的地方点右键，有个“审查元素”：
, n+ A' q" s5 G# M7 j
3 S) F% R' a. \# n" k( B& h
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
" n' ]4 @- y* ]
# ^. y- X8 B" r# J( z9 g+ `
# c6 \6 y# M, E6 f4 _8 I3、修改就用Gettext等工具解开mdd文件，然后打开css改相应的地方
- J2 s! T1 x, R3 I5 M0 s

& e" c) b3 ~" ^5 e6 f6 z$ D! d, V收工

Oeasy

0 b) a4 T- f% T) T. L* i8 Q
  R  R4 ?. |6 B7 L

感谢楼主分享知识和经验。

% m& x; G7 y; L6 P: U, b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。

- h1 _2 w0 v7 b7 R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。

; z  t* s2 X" n# X2 N: z! ^! ]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。

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。
4 }* T8 T6 y# j  m! J9 r/ L
' x0 y' s/ e/ z  S+ M- @* ^
% P( G8 C( l: Y: n9 A7 u$ d

0 y, `* e8 P1 X& s8 i( a

bt4baidu

Windows下制作词典必备的文本处理软件：

• EmEditor
• Beyond compare
  . o- ]8 I0 N* |! W8 T

8 g$ E- g! j( S5 M
$ O1 {- P  J9 I: b前者用于编辑，后者用于差分比较
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
0 e7 B! N7 J2 V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 ...

7 p" |) M; J! f/ u2 W- Q6 \7 {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

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
/ M9 a; {8 a2 w; b这几种字体在Windows、苹果OS上显示效果都不错，字号也比较全
$ z+ x; U2 d- i4 v4 i8 D/ a/ t另外Open Sans字体也挺漂亮
: D+ Y; h( K  f* O  t4 p

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
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 ...

( J% J9 A5 Q) L) c感觉找到适合自己的问题好少啊
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

$ ~) X6 w6 S5 B9 J4 d
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

( r. ~. j9 R& R3 t  F2 r1 G
java和.net就是个垃圾，我懒得提而已
! Z* f* o  @, W! z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
! K! ~2 m4 X  x9 u2 O+ C
; w( v. a' I! L* }. h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。
. ~! @) v) }- {3 e2 y
1 n: a- g6 d7 K7 s/ K* d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。


* W* }5 L7 r) t8 o) P7 Z3 ~7 T

meigen

7 Z. g9 r/ s: Z3 _$ ?  k9 V

算了，道不同不相为交流
2 X( L( @  k) ?7 v" ]9 @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！
) n: A2 H1 b' j9 F1 ]3 O1 r% C4 n4 a7 C
* g# r* Q+ t4 }% I, ~6 Z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 |* k& {; m% v. ~6 R1 m/ c
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
/ h" g) s/ e- ?1 z# O" t$ I程序员眼中的编程语言

不同的语言适用于不同的人群：
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。
, `1 C) ]& q! {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. Z& p9 e) b3 T) g1 k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。

9 h. _2 F" N/ Z3 }: X. Z. t6 i编程语言的口水仗永远也打不完，不争了
+ p: T. g5 `. p& Y7 w0 m  i: m" {

bt4baidu

大熊部落 发表于 2014-10-21 00:35
5 E- D( X5 t3 C- j不赞成多线程抓网站，但是好贴子要支持！
) O! w4 u& k& a+ ]8 M6 T4 C
自以为是“文科生”的朋友们就别学Python了，因为这个世界上还 ...

: P% Z7 Z/ p$ {下载软件？推荐一款？
, K8 A, z4 C! @, _! \' y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？
* s" [" V7 P) Q; c2 B! }9 B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。
5 m7 [5 A6 A6 j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。

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。
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，
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：
5 E$ v) z7 _% J: b) M5 z. o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。
6 O% W* ~5 @, `% j0 A' M* V- ~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
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% ...

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。
6 a6 l/ e) @1 }! c1 f
( B! I- i! ^; }- K, j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。
5 I- o/ ]1 d( ^! a
) G3 {, ]) W5 g* R' s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 j$ K2 Q! S3 f3 d
' P% e( p* f7 \; l. m3 \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
3 D& a, {6 m/ G2 H" c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 ...

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
5 L5 U% r5 g& I. X/ P7 E
+ {0 M% c- w& Z3 x

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。

- S  i. s! ]7 u5 i! R% M+ K; `/ y+ v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。

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
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
' C2 O2 R* c/ u8 p9 l
8 H1 {2 r( G' y0 N/ P& b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
) ~- M- o7 n! h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 ...

- K4 V8 [1 {* b5 K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。
& d; H5 o) J, l/ Z  x) C5 O
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