|
|
本帖最后由 sxingbai 于 2020-8-25 13:15 编辑
. ?" {2 A4 H& Z6 g$ o2 A
2 b) }9 i9 W: z$ a# [- ^( @一、excel文件的合并
& Q# }' @6 f2 n/ K; O: O% g& `用wps非常方便
$ H4 D8 w3 _! U& a" i. n. W1 n& ^二、数据遗漏检查4 t# k5 K3 G3 F0 B1 D* E1 V4 n5 s, U
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:$32822),1)),ROW(A1))进行计算。其中32821等替换为网址中的最大数字。
) a/ V- o$ [5 F( i7 O三、参见跳转
7 ~' n; b+ d) d0 B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。
8 {) `" M/ j Z! i# D) u1 B% c四、目录制作
+ l' @, X' Y7 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。
& E9 N/ k+ {# i4 b' T4 ~( y五、特殊序号3 [9 g; u4 D) s
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。
4 V8 G1 U- f9 T; H! p+ D六、多对一. y# Q* h: z3 W1 \
([^✐])◐(.*?)\|(.+)$-->\1=\3☁\2✐◐|\3。表达式|是多与一的分隔符，◐是多之间的分隔符，=是连接符。多次替换，一直到不能替换为止，最后处理掉无用的东西。这个用excel也行，不过也麻烦。
: L5 _: c# h- j$ j. ]* V: A; L* s1 F7 z% v! W& u* z7 o; o2 O8 B
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。