【史上最全】在线词典抓取、制作技术汇总

bt4baidu

/ `' F. F/ W- \0 y2 r. R
" [) K5 l- t/ _) t  v% d这篇文章主要是给计算机小白和初学者扫盲。
) _1 [  U! g( Z) o$ Y3 T4 R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。
( ]' d* }) d7 q. T- o4 }' p  ^" 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。

一、计算机的两个终极哲学问题
" o2 X; a* T+ X1936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。
: F; M" ^, Y* u- F. p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：
( _$ U3 b) l! g9 O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；
: H% ~" m& |5 n& \7 H9 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 R. v3 @2 e9 U8 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。
“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。
" y) [0 U% {1 Y
& [8 `6 _& A" a9 e# }& 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。
2、怎么把两种方格区分开？也就是特征识别。
# D* b; H- ]4 d这两个问题，就是计算机的终极哲学问题。
3 k# B1 ^2 H0 x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。
. N* W: [, X& ?& @0 j/ `下面的讲解也会以这两个问题为核心展开。

! H7 P, R$ h- H; m: @% CBTW, 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，
; Q/ G. J# @. o5 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。
* `) e2 r! ~' p" V' v$ _- \7 a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。
" d* _9 k* M2 @- Z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，
5 y7 x$ i, j- p+ E0 B7 Q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。
/ B2 ^( {$ o: t* d" ~9 r- d! C6 A: [# y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。
) \5 U3 N/ |, {
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。
9 E$ M" }; I$ S) L. e8 ^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。
" H: Y; s0 T5 J: ^  `& z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
7 r% x: v& Q/ ]* X; y& A上面已经说过，存放、读取、组织、区分数据是编程的核心问题。
+ Q9 x/ Q! l( b/ q( ]  a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。
7 A' }9 F4 Q; O8 t9 @" _9 @; A抓网站，恐怕没有哪种语言比Python更方便。
# G; e1 `/ d( f; @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 m+ t& e0 T! F  r+ `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。

三、网站抓取技术
1、下载某一个网页，提取其内容
5 }' ]1 f+ M) g; f$ e以前写过一篇，就不重复了。参考：
3 i! M$ ~6 O: @' f% s用一个简单的例子讲讲怎样从网站上扒数据
6 c. z0 V6 j# C; y2 D
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。
4 H4 u( U. }  b( _3 \+ g! F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。
' s" J% b( E3 R) g& @8 `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。
# k( c  {9 d# n0 x$ P) c  g' 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。
8 |6 ^  M7 E- a6 b
0 l- |) {! m. V$ P6 g8 sII. 网站有索引页面
4 v, w, s6 u) j* t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）
$ y  c. @; @% Z+ d索引页在 http://www.merriam-webster.com/browse/dictionary/
; \7 Y' v1 z3 u% g, e! `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。
: }9 d/ W4 Q5 d. v4 ?$ {

1. 
   ' d7 E0 ]' O9 Y( |
2. urls = []
   
3. for someindex in indexs: # 循环所有索引页
   
4.     browseurl = ''.join(['http://somewebsite.com/', someindex])
   4 c9 J( c1 v* c
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 w3 n% h: f' G$ O* \8 |1 c! R
7.     bs = BeautifulSoup(browsepage, parse_only=target)
   
8.     if bs:
   % ^# n9 i: J* h! ^8 f5 v
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
    ; q- B& V1 v8 }5 H
11. 然后：
    
12. for url in urls: # 循环所有单词
    2 ^  y2 o$ k& L& z# d: h
13.     wordpage = getpage(url) # 下载单词页面
    

复制代码

9 H& E) C* E& J* V- ~. J# b
III. 索引页和单词释义一体型网站
, f' x: R& e$ `- X" Q& P8 C如：Online Etymology（http://www.etymonline.com/）
$ f) A: t0 ?2 ^7 c/ \* J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
4 ~  E3 N  I7 j3 d( {5 r% `) R

1. 
   . F9 _. z$ G1 L' z
2. for someindex in indexs: # 循环所有索引页
   
3.     browseurl = ''.join(['http://somewebsite.com/', someindex])
   
4.     page = getpage(browseurl) # 下载页面
   + P# Q& l3 L  _) d& r: U& K5 H+ C
5.     target = SoupStrainer('sometag', class_='target') # 抠出放单词的区域
   ( j' P4 z/ {( d2 n! q
6.     bs = BeautifulSoup(page, parse_only=target)
   & O! X0 d! g# m- Y* m: Z; b+ V2 I
7.     for tag in bs.find_all(target): # 循环抠出单词
   % t1 U; S/ R  \
8.         worddefine = getworddefine(tag)
   * v/ w* J0 k7 U: u

复制代码

IV. 片断索引型网站
* z- D  C# k8 E  h3 Z1 P/ E. ]如：
! O3 Q* ~" y: e9 r! iODE（http://www.oxforddictionaries.com/）
6 U( Q! e# U+ f/ ?每查一个单词，右侧边栏有个Nearby words
RHD（http://dictionary.reference.com/）
右侧边栏有Nearby words
* c$ Q  O" \1 ~& |; [CALD（http://dictionary.cambridge.org/）
* a5 M9 E* f( r; _0 t/ a/ d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。
9 I& h$ S' r8 |* U5 l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，
5 u/ Q8 i' M0 L+ Y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）
2 Y5 b9 l- a' o, |6 ~) d

1. 
   , z' O$ v4 ~7 F4 E; R
2. cur = 'a'
     J+ {, h/ ~% S0 h: Q/ `
3. end = 'z'
   % Z# Z% Q4 Z3 O3 J# H) h
4. nexturl = ''.join(['http://somewebsite.com/', cur])
   - M1 Q5 @1 ]: T3 s' @9 V3 s
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
     p+ ]6 n# x( b2 i; m

复制代码

V. 完全没有任何索引，那就没法子了
( l# r8 D" D0 J+ \3 H; C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；
" A, k- r7 j6 |( A+ a* Q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。

, }+ s  V0 u4 S- n3、提高下载效率
I. 多进程
8 l4 ]1 R6 w" S$ b& L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。
8 H: N2 U1 ?6 D5 W6 q, K  _) v2 g实际抓网站时，这么做效率显然是非常低的。
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，
1 O4 b+ v& [  ]2 Q8 ?9 Q有些网站还经常抽风，半分钟下载不了一个单词，那就更慢。
8 d1 W- J: ?2 r& h+ f( V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。
, I/ r$ z% G- F' o在Python里开多进程，同样十分简单，

1. 
   7 p" S0 O: @) X) T
2. from multiprocessing import Pool
   1 w. A6 I- I, b# C
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
   ' Z" O9 y+ [8 |& g& G

复制代码

这就搞定了。
  f, Q# \  x: c
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
4 a5 F7 M2 A! t: T
. \" b3 e0 w2 ]  M" j1 J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，
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。
2 l3 t1 u* y. x, N  X
- t/ M" w( o* I8 V8 T0 D) }II. 断点续传
3 s) k: C6 k* D6 W3 {  x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；
7 r- r8 |& S% {6 \1 E# n$ Q; d6 @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，
7 b- W2 q: H8 M+ g+ H5 B6 a9 E" q直到所有区块下完。

1. 
   ; `7 M) S- y* l7 Z5 d& q) a
2. def fetch_a_word(part, word, url, data): # 下载一个单词
   $ M( a! G" u0 |8 s* `: R
3.     word_define, failed = get_a_word_from_website(word, url)
   
4.     if failed:
   
5.         dump_failed_word(part) # 输出下载失败的单词及网址
   # K6 i* D8 m# [  P0 y8 M
6.         return False
   * n" G; n& |) P2 ?1 g
7.     else:
   
8.         data.append(word_define) # 保存下载成功的单词数据
   1 ?5 n- T8 J# v% U( h4 `" K
9.         return True
   
10. 
    ; z: x, d$ F4 p1 b. {
11. def download(part): # 下载一个区块
    ; X, W6 \  h1 S. V
12.     words = getwordlist(part) # 读取单词总表
    
13.     if hasfailed(part):
    
14.         word, url = read_failed_word(part) # 读取前次下载失败的单词及网址
    2 e' d1 h/ i4 y1 p7 o7 Y) d+ b
15.     else:
    
16.         word, url = words[0] # 首次从头下载
    
17.     data = [] # 用来存放单词定义
    7 E" z$ _( x" F) U) G
18.     while not_end(words): # 循环下载
    
19.         if not fetch_a_word(part, word, url, data):
    8 W! N. U4 D4 X1 `. \
20.             failed = True
    & C  [- Q/ l- ~$ ~$ a
21.             break
    
22.         else:
    
23.             word, url = get_next_word(words) # 准备下一个单词及其网址
    , c# |- f; N$ _7 E1 q! Q  @
24.     if failed:
    7 o0 ~" q3 J/ f* @0 M
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; a  p4 d# j5 n. U# v
27. 
    
28. def isfinished(part) : # 判断某区块是否下载完成
    # O- j" J  i5 Q! O1 n2 n: V8 @0 b
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
    9 {7 J) U0 D/ f' [1 G+ K/ A
33. 
    
34. def downloadloop(): # 循环检测未下完的区块
    
35.     finished = 0
    
36.     while not finished:
    
37.         nf = [] # 没下完的区块
    - F! ~, j6 F1 ~* Z9 [( n% B0 w  K. z
38.         for part in parts:
    4 O/ [6 A6 x! J/ l- D* n( o
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
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）
这三个库有什么区别呢？
4 T: A) c: x) j5 R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。
( J$ \+ \1 y0 r' o( @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，
$ B8 I0 ?* J, R" S/ }9 c" Z" Z- \" z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。
! T) R( K& S1 L; {& a  v1 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。
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，
& L7 V4 r  R0 ^" c! o通吃一切网站。
6 \) l( P; e# y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：
http://urllib3.readthedocs.org/en/latest/
3 I8 D5 z, ~; Uhttp://docs.python-requests.org/en/latest/：
: R4 }6 ^8 }1 a  a7 N" K

1. 
   - K9 S" {' h* T& ]6 R
2. #urllib2
   9 Q+ T) G, N7 E! B' i
3. import urllib2
   
4. def getpage(url):
   4 C6 ^+ x" F0 p3 ]3 J) S1 a; f+ N
5.     req = urllib2.Request(url)
   . F  J1 @7 I! ~5 D5 n1 |. v
6.     response = urllib2.urlopen(req)
   
7.     page = response.read()
   
8. 
   
9. #urllib3
   
10. from urllib3 import PoolManager
    
11. http = PoolManager()
    
12. def getpage(http, url):
    6 L0 `! Q7 [* n* N) X
13.     r = http.request('GET', url)
    : `7 `* z3 h/ a) `/ k
14.     if r.status == 200:
    2 X/ ^# ~4 n" D$ y( n8 U
15.         return r.data
    + S4 \5 {+ K& v3 u: e1 b# z7 V
16.     else:
    
17.         return None
    ( U. d+ h. {7 M. V
18. 
    
19. #requests
    0 ?0 l" a; A3 d0 m0 G: Q
20. import requests
    1 y' j- w6 H) v* J; f6 X7 o
21. session = requests.Session()
    
22. def getpage(session, url):
    
23.     r = session.get(url, timeout=10)
    
24.     if r.status == 200:
    
25.         return r.content
    ) K5 S* ~: i8 [1 @* u
26.     else:
    
27.         return None
    

复制代码

四、后期制作
1、文本处理，是个特征识别问题。
9 G9 m: A, Q% P% g# I6 V% z3 e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。
- Q0 Q+ x4 P! g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。。。）
4 J) d1 F3 W6 H4 x$ T% k都涉及到特征识别问题。
) I4 X& i: t' v( K: N( k相比这些高难度动作，文本处理算是比较简单、基础。
5 @4 ?1 w9 L! U! iPython里常用的文本处理技术：正则表达式、BeatifulSoup、lxml
正则表达式非常强大，但没法处理递归嵌套的标签型数据
& K: |5 q+ Z  U+ F- e. |3 A（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）；
5 F7 F3 ?3 K& @/ {) U! S5 W2 oBeatifulSoup/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。

2、排版
HTML、CSS的基础知识：
" F$ g$ |8 Z- Y( h& Ghttp://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。
/ a; g8 S" f6 r+ k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。

& `; C8 x! G# j# i9 c五、结语
, L3 t, Z0 v; D' a# _  t8 }6 j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。
6 J1 K4 q: E) x: v- Y$ M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——
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。
1 H0 L  V& [. p' N; g
% W: A5 K! ^( p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。
3 o( a4 O* _8 r5 M0 o
5 \, _( C" `" I8 `1 v0 e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，
1 M$ X9 o0 s* ~2 Z# Q2 n% h( 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
/ J' I  I( W( f( A5 i8 O

( B, `0 V( f5 s; u========
六、拾遗
4 D% f# z; u# t( L7 I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
确实如此
8 h7 E, j" {5 b4 o1 i- `不过这里只是举例而已，不用太较真啦
+ D3 ?) _" d" o2 Y' a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。
- B' B2 [( }4 n$ b( F2 h% ^即，
, Z0 z# B# J4 H3 G/ Q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）
  Y. o8 E4 s# c- W/ e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）
* @2 Z# k* N6 y3 h+ c+ r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
。。。
8 n. g+ s8 ?7 k: Z; S* 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）
1 H; k  g* d) [4 V" `. ~0 O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。
; ]) M) Y4 u5 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。

bt4baidu

Oeasy 发表于 2014-10-24 18:41
* X* S  N4 K5 K; z0 ~8 ?感谢楼主分享知识和经验。
- t4 {5 P; ?6 K  ^6 \
  N+ T8 w7 B, H& Q8 u% k; Y9 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 ...

- ~9 g4 p/ P0 C9 Y3 k5 t1 \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、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。

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。

/ Y& L" n% n0 c& I1 x替补阵容：LDOCE、词源、短语8in1、韦小黄&韦小绿、Garner Usage。
5 d6 ?( C& `. t# k0 o  SLDOCE用来查常用词的惯用法/搭配、语法信息；
0 ?( E6 ?; S1 F9 o词源用来辅助理解、记忆单词；
& D+ L6 `) {' H, Q+ O2 s3 G7 l, D4 P2 \' o短语8in1用来查漏网的惯用搭配、非正规用法；
7 B+ J! r& ?/ c+ K. n韦小黄/Garner Usage用来辨析/比较同义反义、正误用法；
/ K8 ]# c! Z, E( ~8 a! p$ o+ |  v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。
- O2 _/ R) U3 q0 u% ]' J/ {
8 C( _% l0 z6 }4 ~& b; G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。

. C+ B9 P6 R- E' \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。
! X* C0 x( s- H& G* n

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。
0 H8 l2 A5 J& @5 Z! D4 ~5 h7 iODE： http://www.oxforddictionaries.com/browse/english/
RHD：http://dictionary.reference.com/list/a/
CALD：http://dictionary.cambridge.org/browse/learner-english/
1 [- T/ \0 z2 J2 Z
& N3 ^( B. b5 V+ `/ p4 d. 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。
' ]; o5 _, |- V( e- h以第二个为例：
inurl:browse | inurl:list site:dictionary.reference.com

: ^5 Y/ t4 o/ W8 I# O) H4 i6 pPS：最近才发现这里，发现资料很多啊。
; O& |! s3 d" R

bt4baidu

排版、修改他人制成品小技巧
: Q. {6 C0 }2 h, v( h* ?
8 H$ R, b( T; N* L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
2 [1 u5 D+ c9 \3 V; }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
' X: v/ f- ^$ r; J6 z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
; b' C8 g& l/ u. {
+ @, I* [! [7 C- l" L, ^1、Goldendict里，在想修改的地方点右键，有个“审查元素”：


" ], x- Q; \- l( x2 S8 y. l! l2、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
3 O* v1 `  Y$ k6 r. H
7 A3 q6 [# @9 J+ n0 Q
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
) T1 _8 D- ~- }/ V8 y0 M

收工

Oeasy

/ ]9 @, b' k0 l5 o5 D4 T/ [, |, P
: _, z, F+ k0 \3 o% k% c

. t7 U8 a& U. @; {6 s感谢楼主分享知识和经验。

# V$ ?+ g1 A) o2 H; i3 L8 C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。
8 Z& e) X# I% f- c) S- |
, K; _5 C' S2 Q, Q2 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。

& K' W# E$ ?9 w* K: A& l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。
0 x7 c- x9 S" Q
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。
1 s5 l( E8 `. y" ?% r6 ~
' `8 \% N7 O; |4 {8 }0 c3 z* B% W+ P
3 G$ e4 }  Q1 i1 Q
7 R5 Y, u& J5 c3 K) k7 y" Q$ A
. H  ~8 e- d& ^0 y( x( y: f% E' I

bt4baidu

Windows下制作词典必备的文本处理软件：
' ^/ N( F% x) @6 t8 f0 k3 J! \

• EmEditor
• Beyond compare
  

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
& f3 Y0 v3 q( c现有的mdx词典，其实足够绝大多数人用一辈子的了

6 I7 M+ v4 q; m  `本人前段时间制作、收集了不少，经过一段时间的比较 ...

7 D. ~' O, V& z. L1 e1 l5 f肺腑之言。

bt4baidu

关于字体，请参考
! H$ r, v8 _( e' _* G/ ?
网页设计中最常用的字体有哪些？（中文和英文）
$ a" x. h) }+ k% vhttp://www.zhihu.com/question/19680724
  ?6 ~$ a" l* M8 f& ]( l
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
另外Open Sans字体也挺漂亮
3 g# ?1 T, {! U& z

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
4 v& b0 J2 o0 ^2 g) ?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 ...

; _! t4 P1 A$ a2 ^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
, u" U4 E; n( L1 p1 _. O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

4 @+ o+ D& x6 b2 [
java和.net就是个垃圾，我懒得提而已
) t# _# t' \2 ~, ]9 ~/ I. K. |2 j9 U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
+ d) p& |) e9 j, w3 i' R# ~0 n
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。
- x5 v* W; L. d3 U& x6 s* j4 `7 P! `
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。
7 Y* h% r, E! r) m3 B" L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。
) k; R$ t1 J" A: b8 W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？
) ]8 y% y# z* K" c8 \! m因为垃圾代码太多了。


- N1 D1 Z  v' r. L

meigen

算了，道不同不相为交流
5 w6 }# R$ U. u/ F% _$ `" ~想起某个梗
, g7 y; k  y3 @  z7 q+ f& [9 J' d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！

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
% j6 q; k4 j( P! a! K2 ^算了，道不同不相为交流
) H$ b& p! L& w; G( [0 k% Q; g想起某个梗
程序员眼中的编程语言

不同的语言适用于不同的人群：
8 D9 @  j+ }' P: 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。
( n( O/ j+ v% c& R9 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。
: n1 G2 C3 M% H
编程语言的口水仗永远也打不完，不争了
0 H  y# ^3 t, d+ r3 A8 W2 r# h

bt4baidu

大熊部落 发表于 2014-10-21 00:35
" }# f% q+ G3 e6 N- [' L, b/ Q& c不赞成多线程抓网站，但是好贴子要支持！
3 I. P" i" E' [% X% S
6 L, X; g$ L  h3 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 ...

) s) m2 j% O: C7 E8 v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？
/ Z7 I( d& P  e, |) p0 B' j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。
/ K; g: K& C% X: {/ G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。

$ t; O$ |* B6 m2 Z1 f/ N; l2 E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。
$ {( l8 l' F4 O0 X% U' ~3 }* T6 R

bt4baidu

本人做个大胆的预言：
; E0 e% M9 s0 r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。
2 M% Z7 m( |3 z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。
* ^, {# Z( l# V; [' w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
/ f. @3 {, M+ {' }; S' O下载软件？推荐一款？
3 \; V& L3 e2 w8 t1 L8 N  b9 B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；
) O6 A, f8 V. [5 y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。

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。

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。

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
# |* j8 o7 e( Z8 d7 Y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

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 R! R# m8 O, j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。

5 V) f0 `* C* i: n
1 W" o- Y( q* u  H7 W- h# i! {8 k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
# i3 P# X/ [& b: ], Q计算机是用会的，不是学会的；
( s0 w, Y+ g% u0 ^$ e. ~* [程序是调试出来的，不是写出来的
  I' C1 V) y2 Y5 v& t9 @  {
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。
/ s6 m$ x, }/ Y; q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。

% z# E/ V7 v6 _/ y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