【史上最全】在线词典抓取、制作技术汇总

bt4baidu

1 w) G. H- c& S2 O) ]  g' K! U$ ]
这篇文章主要是给计算机小白和初学者扫盲。
. C7 e9 w+ \* _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。
' Q9 |. x2 `# T" \9 [% P$ G- H3 a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。
2 p1 D, i, i, Y: a# n
一、计算机的两个终极哲学问题
" Q8 a' D3 ~; s" l+ F7 O, e1936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。
* u7 S! q4 m2 Q) M1 S, |7 v7 ~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：
! q! b, e  g5 T" 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；
- }9 O1 t1 s: {3 p5 L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。
# _$ C9 K- Y+ R6 m( V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。
/ O* d& f0 B" I. E“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：
+ D; Y8 Q0 j+ S: r1、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。
下面的讲解也会以这两个问题为核心展开。
% x* @' O0 c; a- B% U6 @  b
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。
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。
; z& C# t7 c& M+ ~  i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。
8 |7 {. y) m; G+ ~+ ~
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。
5 ~! k+ G6 ^* _7 Z- M* l& K' g- \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？
0 ^0 n- B$ c% z6 T
$ K" c0 Q3 v0 N/ ^6 z二、采用何种编程语言
9 \# N( m- N$ ]; E/ i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。
! q' L$ U. A' p- o6 [- ?抓网站，恐怕没有哪种语言比Python更方便。
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，
* {4 `- {& @5 v6 Y" W6 p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。
$ e9 M. i+ G* `- U) |! j
三、网站抓取技术
( I0 ]# i. K7 g1、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：
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。
7 Y; c8 d# A$ T/ x/ C2 R  K2 ]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
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。
4 A" X/ e* a5 x$ c& f8 a
II. 网站有索引页面
如：
; [* T( F0 a9 J6 D; C* M4 G$ AOALD（http://www.oxfordlearnersdictionaries.com/）
它的索引页在 http://www.oxfordlearnersdictionaries.com/browse/english/
! F: R' m  p- H* c; w2 |5 W- _9 YLDOCE（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/
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。

1. 
   1 `, i' b2 A9 G
2. urls = []
   , C, H+ J% [+ M) ?
3. for someindex in indexs: # 循环所有索引页
   
4.     browseurl = ''.join(['http://somewebsite.com/', someindex])
   9 y7 C" ~0 p& R0 g) l
5.     browsepage = getpage(browseurl) # 下载索引页面
   5 q4 C7 i' D: v  Z0 M0 a
6.     target = SoupStrainer('sometag', class_='target') # 抠出放单词链接的区域
   
7.     bs = BeautifulSoup(browsepage, parse_only=target)
   9 g1 c; o* H4 ^
8.     if bs:
   # R/ H  |* C( B3 F
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：
    2 I7 @& m9 \2 b& j+ f* r
12. for url in urls: # 循环所有单词
    
13.     wordpage = getpage(url) # 下载单词页面
    

复制代码

" F& f3 k7 @' h0 A8 x$ YIII. 索引页和单词释义一体型网站
如：Online Etymology（http://www.etymonline.com/）
9 a4 S3 N' k+ }8 G+ z+ D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
9 s" }' t0 i7 ]  r4 S- d

1. 
   - h! h% M9 z9 n! j- n; r+ d8 W
2. for someindex in indexs: # 循环所有索引页
   $ R9 t9 K8 J7 v! U( g# @
3.     browseurl = ''.join(['http://somewebsite.com/', someindex])
   . J& Q$ U. a7 w3 T/ a+ U! ]! @+ }% s2 a
4.     page = getpage(browseurl) # 下载页面
   
5.     target = SoupStrainer('sometag', class_='target') # 抠出放单词的区域
   
6.     bs = BeautifulSoup(page, parse_only=target)
   0 r7 O) Z  [+ M/ Q+ I9 _" t. L
7.     for tag in bs.find_all(target): # 循环抠出单词
   
8.         worddefine = getworddefine(tag)
   

复制代码

5 u) I( p7 a' C% |. H0 d2 D/ p4 FIV. 片断索引型网站
如：
ODE（http://www.oxforddictionaries.com/）
每查一个单词，右侧边栏有个Nearby words
RHD（http://dictionary.reference.com/）
: r$ Q2 |3 x! j7 `0 x右侧边栏有Nearby words
6 h  x. ?# s. U9 xCALD（http://dictionary.cambridge.org/）
7 m9 F! P. b$ o在页面的最下面有个Browse栏，给出前后相邻的单词
7 y9 m) `& F  f- y$ q  u' u' y这类网站没有总索引，只好利用它的Nearby栏。
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，
, ]% L) U; q0 j) k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'
   & N! u" g4 D$ G( d
4. nexturl = ''.join(['http://somewebsite.com/', cur])
   
5. while cur!=end and nexturl:
   # v* R0 e- ?. N! Z  g9 _% W
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

# B8 R; U5 M7 ?4 r: `! U1 w
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
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。

9 F7 V  z# O8 x; `3、提高下载效率
& G% l) {  `- q: V8 h- kI. 多进程
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。
2 t* y" R# U8 m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，
9 K, e% t* `1 v. l  B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？
' m1 `2 `' U' ~' P- T要速战速决，就得开多进程。
: M4 [0 Q! C4 L9 h& O7 C同样十万个单词，分成25个进程下，也就是28/25=1个多小时。
# j5 F( L$ W* S  ]1 h! h! X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。
$ n. i3 L6 l+ ]1 ^- ?% _在Python里开多进程，同样十分简单，

1. 
   4 W; w* }$ m& u5 E/ d: F: C6 [; n
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
   

复制代码

这就搞定了。

; h3 \6 H) b' D$ }0 O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
/ |+ n  L8 k  [4 {# k# w$ ~* G
( T8 X+ e, a. ~4 y, }初学编程的人，一碰到进程、线程，常常有种畏惧感，
* q) ]& U) x# {& k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，
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
3 }- e! Q2 f" P* @* y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。
* `2 C# {# e0 n3 P. }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。
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。
: u# ]9 P1 F. o9 n

1. 
   $ ]: Q. x! J* K8 e
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)
   $ N4 Q" [9 i, |+ L7 ]; S* Z% _5 _/ g
4.     if failed:
   , L% R8 D0 B" V4 Q/ D0 w
5.         dump_failed_word(part) # 输出下载失败的单词及网址
   3 @1 w. W5 w9 G6 e
6.         return False
   6 \& U3 V6 L% ^' V' j7 j7 _" Q2 j
7.     else:
   5 `- s% V. ]7 [; ]2 j
8.         data.append(word_define) # 保存下载成功的单词数据
   6 k5 I& u9 g" H, n
9.         return True
   
10. 
    : f9 w* w4 _. ^* `" a
11. def download(part): # 下载一个区块
    - A" O+ l* Y# v1 j
12.     words = getwordlist(part) # 读取单词总表
    ' `7 N. v( F/ I3 z, d, C# f: Y& I- V/ m
13.     if hasfailed(part):
    8 |  T+ K! u& t/ B) v- k. C- N
14.         word, url = read_failed_word(part) # 读取前次下载失败的单词及网址
    # Z9 e; S- J$ m) g5 i  i  k
15.     else:
    5 \2 X% f. S, t
16.         word, url = words[0] # 首次从头下载
    # O/ Z5 W) b/ R7 p# ?
17.     data = [] # 用来存放单词定义
    ! _# @* M: M0 B0 k" ^
18.     while not_end(words): # 循环下载
    
19.         if not fetch_a_word(part, word, url, data):
    3 `- q& U4 P0 b: x/ O6 E
20.             failed = True
    6 m) O! n" x, K& k3 n1 `5 V% U. |
21.             break
    + K3 U+ A1 |. e( @" J
22.         else:
    1 b1 @  w4 o/ j8 h
23.             word, url = get_next_word(words) # 准备下一个单词及其网址
    ' b6 n9 i7 N( ~& T0 R6 U) }
24.     if failed:
    9 O: A8 J+ A0 @9 j+ @
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'
    
27. 
    
28. def isfinished(part) : # 判断某区块是否下载完成
    # o/ X# b2 Y. o  l+ X& Z
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
    , |' \# _2 i' }) S
30.         return True
    " Z0 j! \: c* i# E# m6 g6 g
31.     else:
    : W6 Y! ^9 u2 A) X) j
32.         return False
    
33. 
    
34. def downloadloop(): # 循环检测未下完的区块
    3 b1 `# ^% N4 @0 S9 Y
35.     finished = 0
    
36.     while not finished:
    
37.         nf = [] # 没下完的区块
    - I! z( j9 T# q
38.         for part in parts:
    
39.             if not isfinished(part):
    
40.                 nf.append(part)
    # z& `+ J: d* m6 W3 E" S
41.         finished = not nf
    
42.         for part in nf:
    9 L' R( \. w, W! c. i7 R8 \
43.             download(part)
    

复制代码

' |; h+ R, H3 E2 Z' p4 {" E5 b; PIII. 高速下载网页的小技巧
( A% R, O2 @' g4 y3 P9 _Python里面有三个库都可以用来下载网页：urllib2、urllib3和requests。
. ]5 v8 x6 M6 W$ U其中urllib2是Python原生的，urllib3和requests为第三方库。
9 t6 ~# E; D/ z+ J（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。
; _# S& X2 W/ j& L0 {" n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，
! f4 x! r& [) `0 ^9 z7 r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。
  Q' N+ s4 t2 q* P. l+ B& _2 l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。
0 n1 Q4 H, g; {6 J$ X8 e" w) S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，
0 g& K2 x" h* q# x$ A通吃一切网站。
; d# g$ a% g4 C) N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 _& Z3 m* o& |8 l4 @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：
! `9 U4 k8 T1 j$ b! T+ C- b# ihttp://urllib3.readthedocs.org/en/latest/
( {- p7 I. x6 J  f) W- khttp://docs.python-requests.org/en/latest/：

1. 
   
2. #urllib2
   ( _8 A! c5 f2 e8 |0 ?- w
3. import urllib2
   
4. def getpage(url):
   
5.     req = urllib2.Request(url)
   
6.     response = urllib2.urlopen(req)
   * Z1 n* X- W- t, v' `/ t9 ]! E
7.     page = response.read()
   : A- n& c/ C4 ?, ~  H9 w
8. 
   + I& l2 `/ h* Z/ M) J5 d' u0 \
9. #urllib3
   
10. from urllib3 import PoolManager
    . H6 i6 {) G$ a' v. N7 q
11. http = PoolManager()
    
12. def getpage(http, url):
    , H, l9 I5 m+ n
13.     r = http.request('GET', url)
    
14.     if r.status == 200:
    + G/ }8 B& M5 w
15.         return r.data
    
16.     else:
    
17.         return None
    
18. 
    ( N; O- y' D1 w" r
19. #requests
      t2 v' k, w9 z; B* b7 x
20. import requests
    ( [% g' l' I2 }" {
21. session = requests.Session()
    
22. def getpage(session, url):
    ( K9 w: d) j) N1 e9 U3 y
23.     r = session.get(url, timeout=10)
    * B6 ~1 e! Z( o" ^& `9 L' Z
24.     if r.status == 200:
      b+ N/ |$ J% G: n- z2 a* ^
25.         return r.content
    
26.     else:
    
27.         return None
    

复制代码

  _' H) i8 Z; i) A( h四、后期制作
1、文本处理，是个特征识别问题。
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。
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。。。）
1 C& L1 w$ P" \" K& h9 E. p都涉及到特征识别问题。
- B' j4 u/ |& z3 v9 q1 h+ P相比这些高难度动作，文本处理算是比较简单、基础。
Python里常用的文本处理技术：正则表达式、BeatifulSoup、lxml
4 j4 x0 \9 u5 Q/ M' F& l: L, z+ t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）；
& k% U  ?6 _" w$ l" F: J( WBeatifulSoup/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。
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。

8 d: x  @5 W2 R9 |! E2、排版
HTML、CSS的基础知识：
7 H5 ]7 b. W0 g+ i; Rhttp://www.w3school.com.cn/html/index.asp
http://www.w3school.com.cn/css/index.asp
http://www.w3school.com.cn/css3/index.asp
非常系统、非常全面。
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。

' {6 o, c; Q7 \4 L& Q- L+ R4 R; p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。
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——
  I$ d9 b/ ^7 ^* c2 F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。
# J  X2 _! g* a: a- f
" c0 R; f- Z) G$ }1 W! [% m1 f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。

, @2 D0 H7 T0 [$ P" {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。
4 t9 c; \5 T% Y/ H( v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

! P- c- N4 `7 L/ K7 p9 l
# Z7 K3 M8 }( A; }- X& |' v6 p========
8 {2 ]8 D! f  g5 L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
! c1 Z( I- c- k# y确实如此
不过这里只是举例而已，不用太较真啦
/ S0 L2 B# d' B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。
即，
- d. |8 N" t% j6 B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
。。。
1 X: J: E) e* F% f+ L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）
7 _: s" V1 r. j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。
! p3 K! G- I/ `/ w9 a$ y; p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。
  O. }  y" b5 `0 z/ I: q) h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。
' I+ n- i) X( n) D! x

bt4baidu

Oeasy 发表于 2014-10-24 18:41
, O8 w& V3 z( o) c! _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 ...

. r: R& ~# v. U9 P现有的mdx词典，其实足够绝大多数人用一辈子的了

2 [* B5 I8 d' d. D5 @% Q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。
& K! @7 E$ B. p# V
本人最常用的词典：
* V8 A% R8 v+ a' m+ _6 M. U6 j主力阵容：VOC、ODE、WBD。
/ O9 Z5 Q+ s! M5 L. y! g1 ^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。
% [- N, M$ e7 B# p
替补阵容：LDOCE、词源、短语8in1、韦小黄&韦小绿、Garner Usage。
* G1 y7 I0 ~% g  O/ `$ WLDOCE用来查常用词的惯用法/搭配、语法信息；
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；
. v% U% e3 q4 r9 W+ v! _韦小黄/Garner Usage用来辨析/比较同义反义、正误用法；
+ y2 J8 L& u+ R; @$ n7 C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。
“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。
  S0 x+ j- z4 g$ K* H
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。
/ ]9 l( ]; Y$ \7 s, U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。
4 z- s( U" u! x

happlebao

针对

IV. 片断索引型网站

说一下。
其实只是你没有发现而已。
; P' O6 l/ v  v# O% h7 gODE： http://www.oxforddictionaries.com/browse/english/
RHD：http://dictionary.reference.com/list/a/
CALD：http://dictionary.cambridge.org/browse/learner-english/
1 |3 ?; V/ b7 M+ `. u
, G; m6 g% g$ f% `5 u6 \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。
4 O" X9 m! k( e! k/ Q以第二个为例：
; G- K8 Y2 N6 W% K* t: r% p6 Rinurl:browse | inurl:list site:dictionary.reference.com
+ P3 m& s, y' s) W1 j
PS：最近才发现这里，发现资料很多啊。
0 _! Y( t$ h5 v$ c1 V

bt4baidu

排版、修改他人制成品小技巧

& c) l7 j9 F( H+ a# H1 }  X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
. j5 @) G3 j8 i3 P3 i! P. ]' x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
' M9 F" ]# P* ?4 Y
1、Goldendict里，在想修改的地方点右键，有个“审查元素”：

: x) ^+ j# l& \$ V: ]& T
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

2 m0 |4 ^/ q/ m) q1 c, c5 V/ B( O: V
) ^5 G5 S5 h4 p7 W, I. |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

  Y3 _6 s. @( l1 D. j
4 S. z* {! c- p, a" ]! r收工

Oeasy

4 ?" v* Y& F( f4 ^+ p2 s+ Y9 z- I. S

感谢楼主分享知识和经验。
% h3 q; f% Y# 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。
  {; n# Z& H# M* z0 j* U  H
* A' F' K* k% @  F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。

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。
. ~2 ^" G- u4 I7 G. [* N* q) {
: y: {- I. _" n$ c9 i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。

# N& ]1 q. s, J5 L( }) J% d5 y, O

bt4baidu

Windows下制作词典必备的文本处理软件：
' j6 L6 }) e, b$ ]+ `

• EmEditor
• Beyond compare
  - B) x! {2 P7 x: V

0 ~: \# o7 m6 R' o) P# g+ O
" e% B/ a  i" x3 A7 v前者用于编辑，后者用于差分比较
9 g$ j5 @- v& @# X# _1 l& V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
0 K, ~4 u3 B  w4 ]" c) R9 _
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

7 {) U6 M  m1 H. h6 g6 f' u网页设计中最常用的字体有哪些？（中文和英文）
  \9 }$ t" K- F7 X4 e1 |9 Dhttp://www.zhihu.com/question/19680724
# O, G+ t! k7 B( R5 V, w/ V: |
- B8 [$ o3 r( G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
1 m! T& A  v9 G$ a( Z另外Open Sans字体也挺漂亮
3 |$ ]$ r3 E* p% x) H7 }8 U

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
- U5 Y! ?' W4 P( S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 ...

$ K2 f! B. l* ^, t' y; r9 T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

: P" R: h3 Z& s: |
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
  T# k  k) K$ I8 F' H) i
( m. H% ~4 F& L/ ^6 x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。
1 J0 e( f8 T. h6 E8 z+ E+ q9 x( f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。
! v5 i+ [' t  K8 r% E, \) M0 `# T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。
; ^! P9 W. x# E- q3 N% i" m) [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。

meigen

6 E( f; C- }5 _3 q4 B/ b' c" m  i, G8 @
算了，道不同不相为交流
, J2 u/ T0 f# `" ~: ^" p/ C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！
! C4 I9 ^; C! M9 J% E) c/ s
# ]2 m; m8 d# P8 t4 \/ P) ~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。

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

2 H9 Y; t7 x* P2 D% K4 l' C不同的语言适用于不同的人群：
( E5 s6 A" }! z% e8 N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。
! i! b: d. [) M0 V) k! `4 w! H% Y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。
" R- a: c' O) c
编程语言的口水仗永远也打不完，不争了

bt4baidu

大熊部落 发表于 2014-10-21 00:35
. [6 Y/ W2 K8 @0 S  ]$ Y& w不赞成多线程抓网站，但是好贴子要支持！

( z" u" }' G( r/ V) {* L/ a自以为是“文科生”的朋友们就别学Python了，因为这个世界上还 ...

, ^" L" q  q. a: K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；
" A0 N8 a% X" L* ]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。
4 }* F( E( w0 m9 P1 h8 P% |9 C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。

2 J/ L$ a5 l# W( X. r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。
+ h  x' }" j( o3 `& o' D/ o. k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，
  O8 ^3 Z! l7 Y9 D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。
1 n, G0 c) l( G* C- B' f" }

bt4baidu

本人做个大胆的预言：
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。
( V0 x) A. q( x. l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。
  y( n9 h( G  }8 o0 U9 ^; @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；
/ z& G% X8 e) t( J0 t5 P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。

% w& R0 r9 C2 N' y3 z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。

9 o+ k) q- O; }* K4 v' P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。
# E8 v7 z. f$ y+ o: Q
) ~. z- K5 Y! W5 z: A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 ...

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
  M0 K% c+ A( X: U/ _0 ?# _

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。

4 I- G/ b( x1 Z, U- _, @
7 {! e/ O9 l. _& h1 }) 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
6 E. ?5 e4 `& o/ g' [! A& X+ _6 r计算机是用会的，不是学会的；
% i6 {9 G1 D* ~+ B0 M程序是调试出来的，不是写出来的
. R, q4 ]) T2 ]- o; e1 Q4 S7 b( D
  ~+ O  G* T& _( ^4 O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。
6 U1 C& a0 G  U/ ?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。

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