如何把每个字条的短语、习语等提取出来

caihui10

5 p# ]  V1 H8 [% A$ S6 i$ _  ]* ~发现在字典里输入任何短语、习语，只要21世纪大英汉有，都能显示出来，大大提升了查字典的效率，但缺乏例句。陆老的大英汉例句丰富，但只能到该词条下去看，很是不便！很想学习下这个技术，把这部分提取出来方便查阅。在论坛里找了几个工具，像https://www.pdawiki.com/forum/fo ... =12972&extra=page=1，说只要输入空格，就可以提取，试过了好像不行。https://www.pdawiki.com/forum/fo ... =18986&extra=page=1，按正则该如何填写代码？比如想把大英汉的短语、习语部分提取出来该怎么弄？比如：想把 aback这个单词下的 <span class="phmk">■</span phmk> <span class="phrase">be taken aback </span phrase>：<br>.<span class="table"><span class="num">1.</span num>吃一惊；被弄糊涂:</span table>提取出来该怎么弄？论坛上看到还有很多方法，恳请大侠赐教！

mikeee

/ _+ ]8 |: a: V  G' C1 b
我不是已经说了怎么提取短语习语了，在给出具体python码吧

1. from pyquery import PyQuery as pq
   # f0 Y2 j" `8 ^( ~1 c: W4 c
2. html = '<span class="phmk">■</span phmk> <span class="phrase">be taken aback </span phrase>：<br>.<span class="table"><span class="num">1.</span num>吃一惊；被弄糊涂:</span table>'
   1 g2 a$ l% G$ n- ~, R" |
3. res = [pq(elm).text() for elm in pq(html)('.phmk,.phrase,.table')]
   
4. print(res)
   , h' Z! y0 u2 D, I
5. # 结果： ['■', 'be taken aback', '1.吃一惊；被弄糊涂:']

复制代码

提出短语习语后再重构字典，也不是太难的事，不过不会点编程单靠 vscode 的话要走很多很多弯路。

mikeee

9 M8 N4 j  y7 w6 i. N, k
" w6 X1 H" l: R6 l先给答案：用 css选择器 .phmk,.phrase,.table
5 i, @! `' b+ y1 J4 Y. G  z
验证方法。 先将以下代码（楼主给出的mdict/html码）存为html文件，例如 phrases-idioms.html
) d- G7 g& ]  g+ u' b

1. <span class="phmk">■</span phmk> <span class="phrase">be taken aback </span phrase>：<br>.<span class="table"><span class="num">1.</span num>吃一惊；被弄糊涂:</span table>

复制代码

" X) a, ^2 c6 t: {' |
: B- A7 a: `, h+ i+ t- H再用Chrome打开 phrases-idioms.html （一般双击 phrases-idioms.html即可。也可用其他浏览器，基本思想一样）。再调出 devtools （Chrome里右键选 Inspect或ctl-shift-I）。在devtools选定 Elements标签。在Elements标签按 ctrl-f，在跳出的搜索栏里键入 .phmk,.phrase,.table
0 c: T8 ]' b+ Z' N
. F+ Q# O' |, A6 U结果大致如下图
, \: O2 F5 q4 h
, I5 z4 I0 [; K4 Z' L5 K

可以看到 css选择器 .phmk,.phrase,.table 找到网页里的三个元素。

# R4 d/ V) p' T% l5 Y  x$ O至于如何提出对应的三个元素有许多办法，python里可用 pyquery， node/js里可用 cheerio/jquery，其他编程语言也都应该有包可用。

+ j. ?0 K- ~3 z0 U" X. K. I4 F4 W; @python的话可直接用 readmdict 直接从 mdx 文件逐个读出每个词头的内容再用 pyquery + css选择器 进行处理， 内存足迹极小。顺便提一句，正则要处理这种东西也并非不可能但怕是会力不从心，不信可以试试

caihui10

查看元素，我知道操作，关键是不会提取，我按drough发的教程安装了vscode，但运行总是说路径不对，我也不知道是哪里错了。哎，折腾这玩意都无心学习了。你看能不能提供教程，就像21世纪大英汉那样，什么短语都能查，只要它里面有。我昨天发了个RMB求购的帖子被人扔进了回收站，我也不想浪费太多时间在这上面，就想花点钱买技术。越简单越好，因我没任何计算机基础知识！

caihui10

mikeee 发表于 2019-5-11 13:24
先给答案：用 css选择器 .phmk,.phrase,.table

. [+ m* G) ~8 ]4 |验证方法。 先将以下代码（楼主给出的mdict/html码）存为ht ...

还是不会提取，谢谢你的耐心帮助，没有编程基础真是看不明白。

ogrishman

caihui10 发表于 2019-5-15 21:12
还是不会提取，谢谢你的耐心帮助，没有编程基础真是看不明白。

哈哈哈，你得自己稍微学习一点，要不然你想自己修改词典真的很难。不要没有信心，我也是去年年底才开始学习计算机技术的，现在已经可以自己修改和制作词典了。

ogrishman

要么你就重金悬赏，说清楚你要什么效果，我来给你按你的需求做。