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: 937|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 . F! T6 a+ N- [/ `  n- \
1 v$ Q  u2 D8 N3 Z
一、excel文件的合并
/ U4 x4 p" A1 P7 K# p9 l0 \, d用wps非常方便0 `; _$ u( {: U
二、数据遗漏检查
  }2 r3 C# a3 T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:$32822),1)),ROW(A1))进行计算。其中32821等替换为网址中的最大数字。& s, z1 X% A& P) f. }4 M
三、参见跳转
* h3 ]& c$ A2 I) e; U, w' x' s! j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。1 u8 K; w6 {$ J: z
四、目录制作
+ U1 F. u( j$ p8 U; h" b1 x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。# b; D' D; m3 X0 C; U) g% t
五、特殊序号7 p- `. c) W% V! ~* N. A' o
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。
5 P4 D, h# X+ }7 k3 r六、多对一
& N2 D. p5 g9 m6 o+ ^8 G([^✐])◐(.*?)\|(.+)$-->\1=\3☁\2✐◐|\3。表达式|是多与一的分隔符,◐是多之间的分隔符,=是连接符。多次替换,一直到不能替换为止,最后处理掉无用的东西。这个用excel也行,不过也麻烦。$ z$ ]: ?8 k7 W  I

2 l5 `) E* u, x2 ^9 e, f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
    昨天 15:17
  • 签到天数: 625 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 22:06+ y* e+ d* A  N2 ]1 a. }
    先收藏了,有时间了,配合bt4baidu版主的爬网页方式试试
    - w2 d9 L. `; ~6 a% J
    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& O4 Y+ a) A: {+ R! ^/ E) \: m" e
    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 ...

    5 t9 p1 g6 }, @# X8 r汉语语料库,& S" s6 g) {, T1 j' U! ~& t
    您知道这是一个多大的工程么?( m& K; e8 e2 e4 _
    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4 t  ^: o) v: t/ H

    0 ?' ?7 E0 y$ @对于语料库制作,无外乎两种手段:- K; s$ t' o$ D$ ?( G
    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.html
    * Y, S+ t7 w" W. i! Z# K8 i& U( Q: h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
    6 v8 s0 U1 @/ J1 V. ^1 b& R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:
    , D' O# g4 ~4 O3 M% w' x  b/ yABBYY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
    9 P! \; V& J' w2 G1 e2 H  w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
    2 h9 |( l$ z0 ~* n
      _0 b+ i1 m4 E9 j" |# |$ d& A# N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0 E" A5 `" y' I: o' Y  [" c
    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
    " H$ z/ D1 x( X2 ?# d) i汉语语料库,3 C- |7 a5 R. z1 a8 K4 H" W
    您知道这是一个多大的工程么?3 }# }5 [" b: Q, C4 W; @2 \
    语料库,对于汉语,得先确定字正确,其次是语句有无问题,是 ...

    : U  m) Q% a! q, e$ ]; \4 `/ q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
    # s) l) ~# a: k' H) e: B0 _8 p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 ...
    - S- w+ g2 C4 D4 x3 t' o/ m' X+ `
    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
    : y! p/ D# _+ o. T1 t9 ^& @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 10:42
    " h) h& R8 V. {( ^# y% y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 ...

    7 L6 x, }) y) Z& M! P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
    . Y' o( S9 J& r4 ]/ J- h# [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 ...

    " y2 `. @- Z" n  l3 |5 t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 12:20* G0 c! D% l) [1 A" I
    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 ...

    * B7 r- n; r7 ^( p# E' _' w% X' G" `' `! D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! W- A5 z. Z+ t  U" F9 u
    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 ...
    7 b0 t* t  w( S2 a7 i9 D! e4 ?2 ?
    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 02:35 , Processed in 0.037382 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