|
|
本帖最后由 sxingbai 于 2020-8-25 13:15 编辑
- q8 S4 N0 G' L1 I$ p4 V6 [
. e8 K5 R+ W" J一、excel文件的合并/ j- Z3 g9 f$ J/ i+ s, E8 s
用wps非常方便/ ~, [9 m& f+ y+ S% ~& f7 z6 {! j7 u
二、数据遗漏检查/ \2 j9 d1 J& @9 ^+ z! j
数据所在网址如是连续的，在抓取时连网址一并抓取，然后用excel查漏。具体做法是先把网址中的数字复制到表格A列，在B列输入公式=SMALL(IF(FREQUENCY(a:a,ROW($1:$32821))=0,MMULT(ROW($1:$32822),1)),ROW(A1))进行计算。其中32821等替换为网址中的最大数字。
+ E4 b' u& w9 I* v三、参见跳转 O' l/ n. V+ W: A+ o) q2 F/ D
如果参见后的条目较多，可先用正则式(“.+?”。)全选相应文字，再用(“.+?”)在选区内替换。
5 c1 [, l5 c! i3 j四、目录制作
: ^5 H3 ~4 ~( m3 u8 K如果是多级目录时制作较为麻烦，利用excel，一级目录在第一列，二级第二列，依次类推，其中细节处理用好公式，不再详述，最后目录加上p标签，条目加上a标签即可。
% L* c4 g4 ~7 V4 w, S x1 b. S五、特殊序号1 W, c! b+ L$ {' M8 y1 q1 J y
处理特殊序号，如带圈数字，可上网查找其起始值的unicode码，如\u2460，一般终止值设为\u2490已经够用，在emeditor中用[\x{2460}-\x{2490}]即可对其处理。 k+ e; p6 n3 l# X, D j
六、多对一4 j2 o D3 s, }7 ]. F8 X) g
([^✐])◐(.*?)\|(.+)$-->\1=\3☁\2✐◐|\3。表达式|是多与一的分隔符，◐是多之间的分隔符，=是连接符。多次替换，一直到不能替换为止，最后处理掉无用的东西。这个用excel也行，不过也麻烦。1 ^- U, f- N: m
9 R: v/ |) v3 e. ~0 x H
以上是自己摸索到的一点经验，不揣浅陋，不当之处望指正，更希望能起到抛砖引玉之效。 |
|
发表于 2020-7-13 17:46:58
我的想法很简单，就是想把民国以降的武侠小说文本归拢到一起，然后进行词频统计，得出一份专属的历史文学语汇集，方便自己写作参考之用。不过昨天试下了网友给的rost cm6软件，压根用不了，分词功能可以正常使用，但一到词频统计就报错，压根不能用。