掌上百科 - PDAWIKI

 找回密码
 免费注册

QQ登录

只需一步,快速开始

查看: 940|回复: 11

[讨论] 制作词典的一些心得

[复制链接]

该用户从未签到

发表于 2020-7-13 17:46:58 | 显示全部楼层 |阅读模式
本帖最后由 sxingbai 于 2020-8-25 13:15 编辑
3 z# ^& J* B! Q9 j. D: o4 ?/ s
) r) h: t7 I: z4 G一、excel文件的合并6 f; z/ }8 M/ `* ?! M
用wps非常方便. q- N1 }; @* K( j1 ~( T
二、数据遗漏检查! W# n) r1 @, k. B& C% S$ [
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:$32822),1)),ROW(A1))进行计算。其中32821等替换为网址中的最大数字。& C) J/ r  h% h: F4 H
三、参见跳转# F+ D& l, S% e* \2 y
如果参见后的条目较多,可先用正则式(“.+?”。)全选相应文字,再用(“.+?”)在选区内替换。
) ^$ k$ C  a9 O  L# h% _四、目录制作- D# I, ?- k/ Q
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。& c. R, g. @1 n  t3 V
五、特殊序号9 _2 `9 \) B. k+ P4 i
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。( X+ z+ J2 B( V% B2 C
六、多对一
/ u" e1 p0 T- J: F* E6 D% d([^✐])◐(.*?)\|(.+)$-->\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。
9 L3 d# [, C& J2 b% ^0 d6 b6 o3 j" `- }
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。
  • TA的每日心情
    开心
    2023-6-27 08:22
  • 签到天数: 1501 天

    [LV.Master]伴坛终老

    发表于 2020-7-13 18:42:38 | 显示全部楼层
    Thanks for sharing.
  • TA的每日心情
    擦汗
    2020-1-9 13:35
  • 签到天数: 178 天

    [LV.7]常住居民III

    发表于 2020-7-13 22:06:07 | 显示全部楼层
    先收藏了,有时间了,配合bt4baidu版主的爬网页方式试试
  • TA的每日心情
    奋斗
    2 小时前
  • 签到天数: 626 天

    [LV.9]以坛为家II

    发表于 2020-7-14 21:41:52 | 显示全部楼层
    会编程会不会快点
  • TA的每日心情

    2024-3-17 11:32
  • 签到天数: 157 天

    [LV.7]常住居民III

    发表于 2020-7-15 21:09:34 | 显示全部楼层
    williamson 发表于 2020-7-13 22:069 H& a7 c0 d9 j; U* }# T% o1 o
    先收藏了,有时间了,配合bt4baidu版主的爬网页方式试试
    " r, ?* c. v( S4 ^+ D
    少年,会不会汉语语料库制作技术啊?个人不是技术控,在这方面有点瓶颈
  • TA的每日心情
    擦汗
    2020-1-9 13:35
  • 签到天数: 178 天

    [LV.7]常住居民III

    发表于 2020-7-15 22:42:58 | 显示全部楼层
    泥瓦匠萨奇 发表于 2020-7-15 21:09
    1 E( M- L$ x5 c6 p- r0 c少年,会不会汉语语料库制作技术啊?个人不是技术控,在这方面有点瓶颈 ...

    & @2 Z" \, `1 l& j1 V汉语语料库,6 a8 B+ b5 F$ m+ ^$ Z6 V
    您知道这是一个多大的工程么?8 }) c& {# \! Y* |
    语料库,对于汉语,得先确定字正确,其次是语句有无问题,是件大工程3 N+ K- ?: \2 A: ^3 g& E# p
    * L: o% N9 a3 ?8 O; v# _
    对于语料库制作,无外乎两种手段:" S; c2 B& T" `/ p& I
    一是爬取现成的语料库,小白也能学的爬虫技术,是咱们论坛大佬发的https://www.pdawiki.com/forum/thread-13219-1-1.html1 s# V& _# C% x1 R0 j, u* V( |
    对于爬取我个人是推荐的,你只要按部就班,按着大佬说的,他说一步,你走一步,肯定会成功,而且省不少校对的时间
    4 e( m8 l9 D. i5 D6 s7 u二是利用OCR的技术,可以是ABBYY finreader OCR的,也可以是tesseract的OCR,前者可以大面积,批量的识别,后者则是手动取词,不过两者利弊明显:
    + X. _* ^4 J3 F+ ^  v- [7 X& xABBYY虽能批量识别,但错误很多,需要投入大量校对时间;tesseract,虽是手动,但准确率很高& K1 D3 O6 k) X: z  e
    至于自己利用python写个脚本,把tesseract当成ABBYY来用,对于咱们小白来说无疑是不可能的
    7 h: A! M) ]3 V9 k; B6 b. N: z0 E% L. [6 Z0 b7 B" M% ~$ }* d
    所以,鄙人不推荐你制作文字版语料库,太费时间,个人没有这个精力,如果你是干这份工作的话,校对无疑占用最多的时间。如果不是,那么就奉劝,量力而行,没必要非得费那么大精力去做一个不太讨好的活# i$ ]5 P0 F4 p, e$ _
    如果你能发几张截图关于你的语料库制作,我想先看看,看能不能帮到你,毕竟没看到实图,不好说
  • TA的每日心情

    2024-3-17 11:32
  • 签到天数: 157 天

    [LV.7]常住居民III

    发表于 2020-7-16 10:17:51 | 显示全部楼层
    williamson 发表于 2020-7-15 22:42
    ! ]: d" f" w( S" E汉语语料库,
    % n8 a+ t7 o- g1 P6 t  l您知道这是一个多大的工程么?9 J4 z% @# Q( u2 R& M
    语料库,对于汉语,得先确定字正确,其次是语句有无问题,是 ...

    # w" @5 R) ?6 A( P+ P- u+ a+ ^抱歉,抱歉!没想到这竟然是这么一门高精尖的技术活我的想法很简单,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。
  • TA的每日心情
    擦汗
    2020-1-9 13:35
  • 签到天数: 178 天

    [LV.7]常住居民III

    发表于 2020-7-16 10:42:51 | 显示全部楼层
    泥瓦匠萨奇 发表于 2020-7-16 10:17
    % E: h/ z* H: c* ~2 j抱歉,抱歉!没想到这竟然是这么一门高精尖的技术活我的想法很简单,就是想把民国以降的武侠小说 ...

    6 S8 E  o) G7 u* s# C. o* v0 F  _首先这个先保证每个字都对呀,有很多错别字就会导致写作出现纰漏,你可以去搜搜小说集,咱们论坛有文字版的,不过错误很多,你可以去看看那个
    ) F$ b, }3 w) W7 ?  E0 V你看看那个就知道汉语字典文字版有多么难做!个人力量太微小了,而且还是没有报酬的事,如果你执意于此,我精神上鼓励你,支持你
  • TA的每日心情

    2024-3-17 11:32
  • 签到天数: 157 天

    [LV.7]常住居民III

    发表于 2020-7-17 11:42:44 | 显示全部楼层
    williamson 发表于 2020-7-16 10:424 J7 T5 v( A% Y9 w$ r( D" K
    首先这个先保证每个字都对呀,有很多错别字就会导致写作出现纰漏,你可以去搜搜小说集,咱们论坛有文字版 ...

    & c; |* ]- c& C6 b最近有个计划就是通过abbyy软件按部就班的将文史出版社出的那一套民国武侠小说文库转制成txt文本,估计真得耗费几个月的时间,但是成就感满满的。有时候都觉得这么好的大家宏编巨著却湮没无闻,声量还不如那些动不动碾压古龙比肩金庸的流量小说大,想想真的挺吊诡的(= ̄ ρ ̄=) ..zzZZ
  • TA的每日心情
    擦汗
    2020-1-9 13:35
  • 签到天数: 178 天

    [LV.7]常住居民III

    发表于 2020-7-17 12:20:43 | 显示全部楼层
    泥瓦匠萨奇 发表于 2020-7-17 11:42
    3 }" u- N# J6 ~最近有个计划就是通过abbyy软件按部就班的将文史出版社出的那一套民国武侠小说文库转制成txt文本,估计真 ...
    3 D( o* A  e% @+ ]8 {- g& o% N
    我觉得个人做那个难度相当大,您不妨考虑一下制作图片版,也可以是切图,使之适合手机,文字版那是出版社的事,个人完成那么大的工作量,太难,你整天校对,也得半年以上,如果书不是很多,那就去做吧,我有时间也会帮你的
  • TA的每日心情

    2024-3-17 11:32
  • 签到天数: 157 天

    [LV.7]常住居民III

    发表于 2020-7-22 19:40:09 | 显示全部楼层
    williamson 发表于 2020-7-17 12:206 a3 k3 i- Z% L
    我觉得个人做那个难度相当大,您不妨考虑一下制作图片版,也可以是切图,使之适合手机,文字版那是出版社 ...

      r$ l- K# A4 x2 H4 V0 T! i9 v工程量倒也不是说很大啦,abbyy扫描质量甚佳,基本上手动校订的比例很小,一本书大概3个小时左右可以出粗加工的半成品。主要是时间没那么充裕,只能周末两天才能腾出手来。
  • TA的每日心情
    擦汗
    2020-1-9 13:35
  • 签到天数: 178 天

    [LV.7]常住居民III

    发表于 2020-7-23 08:33:47 | 显示全部楼层
    泥瓦匠萨奇 发表于 2020-7-22 19:40
    * v4 w* g( @# F5 c9 Q# C6 G工程量倒也不是说很大啦,abbyy扫描质量甚佳,基本上手动校订的比例很小,一本书大概3个小时左右可以出粗 ...

    ! l) Q* n7 ]& t+ ^* o那就好,看来你的清晰度可以,清晰度差的话就麻烦了
    您需要登录后才可以回帖 登录 | 免费注册

    本版积分规则

    小黑屋|手机版|Archiver|PDAWIKI |网站地图

    GMT+8, 2024-3-29 18:53 , Processed in 0.034517 second(s), 8 queries , MemCache On.

    Powered by Discuz! X3.4

    Copyright © 2001-2023, Tencent Cloud.

    快速回复 返回顶部 返回列表