【史上最全】在线词典抓取、制作技术汇总

bt4baidu

这篇文章主要是给计算机小白和初学者扫盲。
6 Z$ z/ A# Z0 Z6 Z) X& O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。

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：
6 Q! J3 @- b1 ^+ r8 M: J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。
% s7 \1 O$ i# j/ A2 {0 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。
% H  b; @% C3 V, U% I0 v“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。

! L! g7 m: X; f" P0 E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。
. q6 {! n. h+ `1 y. O2、怎么把两种方格区分开？也就是特征识别。
) v' H2 x. f( `/ U# u8 d这两个问题，就是计算机的终极哲学问题。
& J5 a& D5 R  V& ?9 R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。
( D6 h% P1 n, a* |% |, M: U+ j
; q( m: L8 ]5 H4 B' hBTW, 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，
4 u1 ?' p( V( @% J——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。
; w  [5 l2 z. Y) `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。
) J7 Q8 n2 _+ L' T" W4 M/ ]
: L' G% \- ]! n/ x" R不要觉得自己上学时学的不是这个，or文科生，就不行。
& g5 ]1 U7 Z- q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。
+ B9 g7 B$ L) U- E6 C& G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。
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。
  ]1 q, D4 a( c! I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，
2 X8 l& v9 S0 ^( C* |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。

/ s' I3 }8 G9 R% c1 q9 q$ J7 x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：
) r) h- H! @* R6 `- y0 \用一个简单的例子讲讲怎样从网站上扒数据

5 W, m+ O5 F0 H1 p: N: J2、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。
7 N5 O% o  Q7 {9 u. x, z" z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。
- b2 P) i! Z+ X5 n) Y7 ]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。
8 d/ f/ z, j! A! i. G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
/ ~- o) j, G% S1 D2 F比如http://www.vocabulary.com就是这种类型。
1 _# b- f  k7 h! M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。
; V5 p: I9 v7 G  c" H) d& Q; u5 Y
5 Q+ M" z+ d' |& k- O* rII. 网站有索引页面
% g% x9 k% _& }# o4 n4 L- g! u如：
OALD（http://www.oxfordlearnersdictionaries.com/）
- S+ O2 O- i, w4 G: o* _  g2 k; L它的索引页在 http://www.oxfordlearnersdictionaries.com/browse/english/
$ p" u1 B% z$ ^* [8 vLDOCE（http://global.longmandictionaries.com/）
采用框架结构，左侧边栏就是索引页
% a. i$ k% N, j- |# NMWC（http://www.merriam-webster.com）
; c$ j! m" P- D# V9 y$ x$ Z6 h  N索引页在 http://www.merriam-webster.com/browse/dictionary/
; ?: c8 B" Z9 v  p. K) u+ Z- `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. 
   ( g+ A4 A/ T1 j* Y8 |7 p, v
2. urls = []
   
3. for someindex in indexs: # 循环所有索引页
   2 t/ X2 \8 {* ^- D: }
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
   
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：
    
12. for url in urls: # 循环所有单词
    
13.     wordpage = getpage(url) # 下载单词页面
    : j7 ?" \  L0 R8 R7 _

复制代码

% V5 S2 E' w1 a) y: {III. 索引页和单词释义一体型网站
! v) ^  K( B  ^. G; B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. 
   # C2 @! S. |5 Y4 e$ x
2. for someindex in indexs: # 循环所有索引页
   
3.     browseurl = ''.join(['http://somewebsite.com/', someindex])
   - A( C. v! }5 G- E
4.     page = getpage(browseurl) # 下载页面
   , I+ ?& l" G! [$ V
5.     target = SoupStrainer('sometag', class_='target') # 抠出放单词的区域
   / @$ V( Y* K1 h" m3 E, w+ C
6.     bs = BeautifulSoup(page, parse_only=target)
   ' N/ K3 \, i  Y: O( L3 v& T( G
7.     for tag in bs.find_all(target): # 循环抠出单词
   8 {+ ~: W& J* K( N: u, L
8.         worddefine = getworddefine(tag)
   

复制代码

% T6 N& B2 ^; h& X. q# u; iIV. 片断索引型网站
/ I# L6 n# L9 j: M, F# v. t如：
ODE（http://www.oxforddictionaries.com/）
" E& b: \9 @4 ]4 Y+ o# M( J! T4 C$ k每查一个单词，右侧边栏有个Nearby words
! H$ W3 F! m: g( P6 jRHD（http://dictionary.reference.com/）
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
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，
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）
8 a0 h) [: l! v( ~

1. 
   
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
   

复制代码

V. 完全没有任何索引，那就没法子了
  j% M( V4 U/ ?" p! R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
: A& S) X. N, B2 W/ v9 Q4 ?8 y' D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
2 s! f9 C' @3 c9 U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。
3 |+ S' m/ u8 _6 Z实际抓网站时，这么做效率显然是非常低的。
2 A7 w4 ~' d8 P; K8 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，
' q0 a$ n5 V- O1 k, Q- Q9 O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。
: q, C0 `+ q$ g& e' D' c3 ]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。
7 k* n' D+ }- H  B% E# O7 C: M在Python里开多进程，同样十分简单，

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
   ) p; F+ Q/ Q6 h" m0 A

复制代码

; Y0 ~5 m1 d6 O  r) ]这就搞定了。
" }; B4 B, D8 W
0 L7 T) c( g) o  l' d4 h4 I/ @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，
& \& K; g4 F+ ~6 b' C比如('a', 'b'), ('b', 'c')。。。这样划分若干个区间下载
- t4 q/ @/ c0 L- V( b$ X# g; j
8 f8 v" H! A" v! D4 H初学编程的人，一碰到进程、线程，常常有种畏惧感，
2 v1 ?$ z' }: ^: V% w! I% {2 I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，
2 ~* [! U& C8 r3 ^& f  \2 ]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。
" \+ m4 x+ S$ l/ u7 v6 G+ j2 z9 Z
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；
( q5 d6 |. K6 }0 {' a6 Z即便无法自行恢复，也得容易手工处理，不然可有的烦了。
, _. h9 w/ y# n/ b  d! E& `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，
- a4 }% M7 P7 x9 ^% E2 v, v& I0 g直到所有区块下完。

1. 
   7 q5 y7 o& {2 H8 k! p3 _
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)
   3 U! V# K9 Q0 d6 ?0 d
4.     if failed:
   
5.         dump_failed_word(part) # 输出下载失败的单词及网址
   3 O! b. p* s% i" p  l7 ?' @+ r& m
6.         return False
   2 e: w  }' R( u1 @1 t7 C
7.     else:
   / i5 H, C* y" \; X% w/ R* {* v
8.         data.append(word_define) # 保存下载成功的单词数据
   
9.         return True
   
10. 
    7 y% E7 Y2 z# D! Z: u# n- o
11. def download(part): # 下载一个区块
    
12.     words = getwordlist(part) # 读取单词总表
    
13.     if hasfailed(part):
    3 }/ n6 j" z% ?7 e6 N
14.         word, url = read_failed_word(part) # 读取前次下载失败的单词及网址
    + Z2 E5 o' I) f, i! _6 ^1 L
15.     else:
    8 W  i+ e/ r! v  H+ y5 N
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
    ; O7 D7 j0 e5 {4 f( c
19.         if not fetch_a_word(part, word, url, data):
    # {4 \4 R, d) e) [
20.             failed = True
    & T+ G4 I0 x" A) T
21.             break
    # s  f% t% f3 D# ~( M3 ^& d
22.         else:
    ! C; o  r) G0 k3 [0 V
23.             word, url = get_next_word(words) # 准备下一个单词及其网址
    / {8 B: g8 ^1 L5 I
24.     if failed:
    0 F8 a) A+ e6 g  v' @/ x
25.         suffix = '.part'
    " s$ i, E4 ]2 _( c& ~
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. 
    4 S8 I- ?' M8 Q7 H
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
    
30.         return True
    
31.     else:
    
32.         return False
    4 h0 P) |: h6 ~. a4 E" h
33. 
    : n  D+ @) \- G* k" a5 L2 ^7 N
34. def downloadloop(): # 循环检测未下完的区块
    
35.     finished = 0
      G/ e- N- K% \7 D
36.     while not finished:
    
37.         nf = [] # 没下完的区块
    
38.         for part in parts:
    ) j4 F1 N' U. y) o' r: ^4 S2 M% D
39.             if not isfinished(part):
    
40.                 nf.append(part)
    $ Q7 X. v3 v) l# ?7 [6 B6 \
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
( N, h! v5 }: I: v. R$ K9 TPython里面有三个库都可以用来下载网页：urllib2、urllib3和requests。
0 y% V6 @# t9 O, H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）
! ^3 h; C& ^! K: E' |# f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。
8 M2 T7 P$ B. |, L' g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。
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。
$ t# w% o" I% C& ]8 g& u' C6 |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。
# ?& Q- s* `; g; M" k3 g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。
. ]8 q( O& f, K9 g5 Q  G# Z7 r1 [' q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：
% Y/ x/ N, X( j' L$ bhttp://urllib3.readthedocs.org/en/latest/
http://docs.python-requests.org/en/latest/：
2 z4 G3 P2 e# u

1. 
   
2. #urllib2
   8 t3 E! R' \2 N! V" u
3. import urllib2
   ! W- f) I: h$ m- y
4. def getpage(url):
   
5.     req = urllib2.Request(url)
   
6.     response = urllib2.urlopen(req)
   ( }1 W+ K7 h6 @: Y0 g% B
7.     page = response.read()
   4 [8 Y% x* N4 L/ X
8. 
   
9. #urllib3
   
10. from urllib3 import PoolManager
    ( F1 j" b6 ~# |: m, ]
11. http = PoolManager()
    6 T1 w9 T! a8 f1 ]$ W0 S4 w8 G
12. def getpage(http, url):
    
13.     r = http.request('GET', url)
    
14.     if r.status == 200:
    " o+ T, A1 m" T
15.         return r.data
    
16.     else:
    
17.         return None
    
18. 
    
19. #requests
    
20. import requests
    
21. session = requests.Session()
    
22. def getpage(session, url):
      h: l" D# E. J! H/ d
23.     r = session.get(url, timeout=10)
    
24.     if r.status == 200:
    
25.         return r.content
    
26.     else:
    0 _9 R( |/ ]3 h: f7 N% g* ]
27.         return None
    * A( }( s* I/ |3 J7 {8 m8 m, b

复制代码

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。。。）
5 x, V. h6 ~" _; e都涉及到特征识别问题。
8 \0 [, T: T9 ^8 ~. t& X% k相比这些高难度动作，文本处理算是比较简单、基础。
; X6 A/ U, v/ Y" I% Q1 |+ G2 uPython里常用的文本处理技术：正则表达式、BeatifulSoup、lxml
8 S" k1 f- E0 a8 v+ k. U: `& ]正则表达式非常强大，但没法处理递归嵌套的标签型数据
1 }7 ]' ?& {8 h' A. i9 D- o3 E+ u5 f（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。
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。

7 x  j/ n3 O9 Y$ }2、排版
6 X& [4 s# S) W8 P$ EHTML、CSS的基础知识：
' N7 m( X: }; q# I' K4 Xhttp://www.w3school.com.cn/html/index.asp
4 a  x3 E3 u3 v4 xhttp://www.w3school.com.cn/css/index.asp
http://www.w3school.com.cn/css3/index.asp
+ O8 |# l. x, x# ]+ J$ D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。
- b1 ^" O8 M. h1 \( Y/ i
  [6 f& E1 Z2 Q# N! _1 m9 {- j# E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——
# @7 Q, o% B( ^; P" y8 H& g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。

9 }2 O$ H0 s' t4 j9 [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。
: C# B. D) i3 d2 i; F9 Y% w1 i
' L7 B$ n4 m- O) T7 }6 W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，
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


========
六、拾遗
+ w9 ^4 l. v5 ?: D  a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 p7 y5 N4 `1 P/ T确实如此
4 n* f- q/ S9 Q1 O, e$ i4 b不过这里只是举例而已，不用太较真啦
. ^8 H  F2 u! f' J* _. u# s6 f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，
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）
) ?7 [' B8 @- @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
' x4 b9 G4 c8 f# U' j。。。
1 V1 ?- T/ b8 R; t2 j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）
: {2 {1 P/ V6 g5 N$ V3 M% s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。
* k, G0 l. Q0 m7 V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。
3 b5 C. a: ]3 t" b* s. z& m

bt4baidu

Oeasy 发表于 2014-10-24 18:41
感谢楼主分享知识和经验。
9 S. d4 I; n6 A5 V# n8 v
0 H  W* b$ c6 L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 ...

4 f1 f/ X9 N$ H0 x; Q6 {) `现有的mdx词典，其实足够绝大多数人用一辈子的了
$ p: O6 L! T8 ?) r
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。
" _9 d1 i$ ?2 @7 b6 a
. o3 ~9 u) @0 Y4 q6 g9 [, N& V本人最常用的词典：
: C  S- a! n# U) Y8 y. b" }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。
' r3 |+ u- a3 }8 H  x5 u
4 R# X/ s$ W2 _" C: W. H替补阵容：LDOCE、词源、短语8in1、韦小黄&韦小绿、Garner Usage。
5 m4 n8 N5 o" x4 L2 ?LDOCE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；
0 b4 L+ u& t! D( h5 L8 ^8 [韦小黄/Garner Usage用来辨析/比较同义反义、正误用法；
" U; {% c# m9 z1 I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。
$ u$ d& Z4 q/ X6 t9 _& w
, ~# l* \5 A' U+ c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。
' a9 W9 i; D3 J1 Q
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。

happlebao

针对

IV. 片断索引型网站

说一下。
2 a1 x' Q) |, w1 ]: u) B2 S1 d7 `- ]其实只是你没有发现而已。
% X% o/ \8 m  H& `1 {  `4 j( J7 QODE： http://www.oxforddictionaries.com/browse/english/
RHD：http://dictionary.reference.com/list/a/
CALD：http://dictionary.cambridge.org/browse/learner-english/
. {+ q/ P, Y5 }: b
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：
inurl:browse | inurl:list site:dictionary.reference.com
3 d. V1 U6 ~$ J- S$ q
PS：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

0 k, T0 W8 \0 M' Y  j' n  I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
3 ~8 }* c: I! F4 Q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
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。。。
. g6 T3 j: ]- m6 F6 O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

* |  j5 b  Y: ~1 Z* T1、Goldendict里，在想修改的地方点右键，有个“审查元素”：
# P7 p+ I6 ^' r$ i1 L

! q" {! ~  f' ?: O+ }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

; T$ D& S4 F4 d) T
/ R2 T5 W9 a5 G+ A* @1 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


2 v% o2 U; J$ w1 s, x收工

Oeasy

+ U* Q0 X4 R$ j
: w9 {, K: U: H
* s- y: r+ Y; B4 T+ x& Y感谢楼主分享知识和经验。
  w! d8 e7 m5 t; [3 V# v& e/ v
% j( M: c7 _1 y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。

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。

3 F  U+ q, X3 l5 o! A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。

) a7 a2 A8 W# [: H3 S( 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。
6 n/ W' Q: J5 f. x

) a- t3 g5 h9 q2 U0 j" R7 a5 ]
; U& W' ~6 k( j8 U% ]# X) e  @+ b
; k* ~7 f, F/ z5 ]6 r' D! {

bt4baidu

Windows下制作词典必备的文本处理软件：
0 u" n  l  J. Q$ x) s

• EmEditor
• Beyond compare
  0 E! R  O  ?0 b# W' z+ L5 @

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
现有的mdx词典，其实足够绝大多数人用一辈子的了
6 I; m# f$ ^  @( n7 S5 u, H
$ p; _9 y9 s- a0 {/ y) V) `+ D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
7 f+ X/ x+ _$ l* d3 y6 {
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
! g: F5 X+ V; b6 E) `" R另外Open Sans字体也挺漂亮

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
# Q  ~1 E! w1 n+ D) R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 ...

感觉找到适合自己的问题好少啊
% h+ U: P, m0 V$ I0 C8 ]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
4 F% z1 b3 d% c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

+ v0 e3 M9 ?, X) u1 f5 `( v
1 s/ ~# u( i/ `0 s: q+ m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

3 v- r. f3 r8 b0 y, }0 Y  s2 ]
. a/ u& l0 `) c1 |& j" p% Gjava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。
, |1 M8 ~: Y1 ]# d9 j
7 f+ U# P+ X# u' i% y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。
) N) H; X" N5 r! M# N/ z+ a
$ i6 P: V/ C: V+ {2 z) p, q1 ]

meigen

8 q3 i) b  Y" b! V
算了，道不同不相为交流
: s/ T8 D3 X. h* H. S1 R; I4 x想起某个梗
5 S( r  o- f+ q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！
7 [7 a* j6 v- q9 Z/ 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
4 D% y$ D( `6 |! j, }  Z% J1 u算了，道不同不相为交流
! g" d; B* ~2 U; ~/ L! x4 r想起某个梗
0 O* a2 K6 z3 O& s) n! t& w程序员眼中的编程语言

不同的语言适用于不同的人群：
" H! Y( q  y, ^7 V5 z- S9 G6 L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。
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。
5 K. _0 |* l! A* ]7 n6 |
( g! i$ F4 o' r! D编程语言的口水仗永远也打不完，不争了
3 |$ b6 _9 _/ z' A- y

bt4baidu

大熊部落 发表于 2014-10-21 00:35
% G$ N* n9 j, j不赞成多线程抓网站，但是好贴子要支持！
6 |$ s. y7 {& \0 W
自以为是“文科生”的朋友们就别学Python了，因为这个世界上还 ...

5 L. g7 E7 }: l* Q( B0 I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；
9 }# \7 O0 \" J- p7 h( p5 D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？
% E, E! ~# K  ~( |/ L9 ]5 N4 O9 N7 m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。
; N$ E( Z0 M# V8 r. Z* z# ]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。
* p& W" N9 w$ \7 J4 V1 d6 }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，
8 G4 e, R7 x9 `; ^2 g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。
# ~9 Y% b( b% Q$ z

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。
6 a9 A* k+ f1 n$ q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。
! ~% C8 Y: |6 o% w, M- f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？
% _8 T4 b5 @  w0 v- b/ ]& e0 O- ^$ U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% ...

7 {, V8 {! o' H( z+ k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。

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。

' `1 W/ c& P8 ^$ Z2 Y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。
, c8 w0 X3 o: P# C9 K
% z2 s6 f3 _3 A" E- Y* 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
( r; k+ C% D3 G  Z  W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 ...

& `8 j/ ]1 |/ r7 s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。

* Z. S3 {# n+ X; e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。

$ g4 p& Q7 Y% I3 @9 o* k- 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、做一些不痛不痒的练习，效果甚差
. H" ^8 [2 x8 t2 ~" x+ M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
0 W. u3 P- x& F! u
$ {1 J  {5 E$ a, y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。

; ?9 F- H. e" m" {; W8 `( D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