设为首页收藏本站
切换到窄版

掌上百科 - PDAWIKI

 找回密码
 免费注册

QQ登录

只需一步，快速开始

掌上百科 - PDAWIKI»首页 › 交流专区 - Discussion › 词库制作交流区 - Dictionary-Making › 论如何爬取杨百翰大学iweb corpus语料库
返回列表 发新帖
查看: 4348|回复: 26

[讨论] 论如何爬取杨百翰大学iweb corpus语料库

[复制链接]
abnerzzz
  • TA的每日心情
    衰
    10 小时前

    • 签到天数: 904 天

    [LV.10]以坛为家III
    发表于 2019-9-3 21:04:23 | 显示全部楼层 |阅读模式
    最近花费不少心思，基于COCA20000，做了份Excel词汇表。5 C4 U% s( V' W% `
    对比各类词典软件，据说有道做得最用心，中文释义全部取自有道，序号分割不同词性。
    3 c6 C. X, Q! A4 \1 h6 P. V
    . Q, X0 m/ R8 R) V, B# r  C1 u
    5 Z& z* ~* u$ r* m% I6 G9 Q
    7 i7 H. u1 p2 B9 S- Y3 R# K
    , s8 \/ z5 X; ?7 d% }, f! V! g8 U4 R正准备打印出来，逛论坛看到两个贴子，发现iweb语料库更全更新。3 x0 p* E0 z4 j, @: {1 ^+ A
    + N9 h# z5 Y$ u
    1. https://www.pdawiki.com/forum/forum.php?mod=viewthread&tid=33399&highlight=iweb
      ; v) [; ]! C# D! W+ O) _, Y
    2. . P7 A, I/ @& h
    3. https://www.pdawiki.com/forum/forum.php?mod=viewthread&tid=33281&highlight=iweb
    复制代码

    : [6 ]6 E# c6 B
    ! I5 u/ C& H# ]% i# J4 ?2 t" Z: D1 x9 C' {- L$ R" |
    本想偷个懒，找 @要份csv排序版的，无奈联系不上。尝试自己爬取iweb语料库，奈何官网反爬虫做得贼好，有点棘手。
    0 m# @6 ?$ m: R5 F6 A
    7 V3 ?' b1 a( {6 ~/ W/ Q, R0 B# P5 V/ e1 I
    初步计划，爬前60000单词，匹配有道词典翻译，先弄份中文版出来。3 k/ j9 q+ [4 n* I3 C+ `
    然后爬每个词汇具体页面，再制作词汇搭配版本。搞定后分享给大家。
    6 g. M  X, |6 s. u, i# |# H' t6 O" T) g7 v6 L% Z  p
    大家有什么想法，可以提提啊。
    6 A% j/ B0 P( [" w+ a懒癌犯了，希望@现身，直接做个成品出来，就不用我这小菜鸟折腾了。iweb语料库的确很棒，可惜全网找不到资源。
    ! i& C0 t( C7 L
    2 M' u% Q7 E6 M% R5 J
    , f8 \' u/ O7 p" X- L3 m* R( u9 p- q7 V/ @3 J( [2 K+ ]

    本帖子中包含更多资源

    您需要 登录 才可以下载或查看，没有账号？免费注册

    x
    回复

    举报

    eplono
  • TA的每日心情
    慵懒
    2021-9-30 10:09

    • 签到天数: 321 天

    [LV.8]以坛为家I
    发表于 2019-9-26 17:59:52 | 显示全部楼层
    本帖最后由 eplono 于 2019-9-30 07:44 编辑 6 E7 a8 l1 L" q
    ' T' _( r7 N! ~1 w4 v
    Hi 楼主能不能做一个词组（or搭配）的词频？就是这COCA里提出来的词组或搭配按照频率越高排名越前的这样。
      e5 G  D) V, z2 V0 L2 Q. @$ `& L- P' d; s, P
    我相信这样一份词频，至少对很多人来说吧，远远比仅仅单词的词频有用得多(单词的词频已经有GaryPang大的iWeb词频了[搜索帖子关键词“iWeb”]），
    % N& O% c, {0 c. N! I5 n9 g功德无量哦
    ' E* l# p5 p, w" P9 ~
    8 @! `+ p7 H5 s; ^: d! o我今年年初的时候BT（magnet:?xt=urn:btih:EEBAC1F45D81FC3EEA92A7C6CC7179C863E290B9&tr=http%3A%2F%2Fbt4.t-ru.org%2Fann%3Fmagnet）
      L% w# ?2 k- |( ?# q下载了一份COCA 2012年的原始数据，4 F) R/ _/ k( m" B- E5 Q1 O
    ' \% m% u# R' c( d6 W$ C
    有一份Collocation20000的PDF(https://pan.baidu.com/s/1AOgIWHF1rZzlRsYy_JnLPQ[提取码：tetg])，（PDF转换成mdx已经有人做了，见https://www.pdawiki.com/forum/forum.php?mod=viewthread&tid=33105）( f% N( L$ g4 I" M. V/ y' `& O; N
    5 s% _, |  s7 J! ^. x: L8 m$ a
    无奈自己非IT相关专业、只会一点点Python，不会整理成搭配的词频，就把原始数据（印象中是都小说、杂志等等的原文）都删了，现在重新挂娘盘，离线几天了停在65.46%进度。
    ) f( W: n2 ~+ m* O8 i0 {& C4 @+ V! i  X6 W8 C2 W: J
    等下完了就放出来希望有人做个词组（or搭配）的词频...
    " `  l8 ^) ]+ E& w$ b
    - ?0 z. U" {2 I5 S& T! W2 O* [. a5 T咋刚才看到楼主回复进度的帖子回头看又不见了？我幻觉了？？？
    7 J6 A# r- T9 w$ q

    点评

    ericqjy
    很强大的资源！期待ing.  发表于 2019-9-28 13:49
    回复 支持 2 反对 1

    举报

    abnerzzz
  • TA的每日心情
    衰
    10 小时前

    • 签到天数: 904 天

    [LV.10]以坛为家III
     楼主| 发表于 2019-9-25 19:30:52 | 显示全部楼层
    反馈一下进度，上周就已经差不多爬完了。接下来需要将HTML转成文本，不过最近有点忙，看心情再转下格式。
    回复 支持 2 反对 0

    举报

    abnerzzz
  • TA的每日心情
    衰
    10 小时前

    • 签到天数: 904 天

    [LV.10]以坛为家III
     楼主| 发表于 2019-9-5 21:24:19 | 显示全部楼层
    你去哪里 发表于 2019-9-3 21:41
    0 _8 x# X8 f3 y中文释义还是用权威词典的释义，比如说牛津或者朗文的比较好吧。
    1 B) y7 d  o- k8 p
    补图。。。。

    本帖子中包含更多资源

    您需要 登录 才可以下载或查看，没有账号？免费注册

    x
    回复 支持 2 反对 0

    举报

    你去哪里
  • TA的每日心情
    开心
    2023-2-17 08:38

    • 签到天数: 321 天

    [LV.8]以坛为家I
    发表于 2019-9-3 21:41:52 | 显示全部楼层
    中文释义还是用权威词典的释义，比如说牛津或者朗文的比较好吧。
    回复 支持 1 反对 1

    举报

    snwbpn
  • TA的每日心情
    开心
    2024-3-30 21:57

    • 签到天数: 46 天

    [LV.5]常住居民I
    发表于 2022-11-25 17:50:01 | 显示全部楼层
    非常感谢，请问原始爬出来的网页文件方便分享吗？谢谢????????
    回复 支持 1 反对 0

    举报

    snwbpn
  • TA的每日心情
    开心
    2024-3-30 21:57

    • 签到天数: 46 天

    [LV.5]常住居民I
    发表于 2020-1-25 21:05:27 | 显示全部楼层
    楼主做的怎么样了呢？期待你的大作！
    回复 支持 1 反对 0

    举报

    ericqjy
  • TA的每日心情
    擦汗
    2022-10-5 15:24

    • 签到天数: 614 天

    [LV.9]以坛为家II
    发表于 2019-11-18 15:33:50 | 显示全部楼层
    这个没下文了？期待楼主更新。
    回复 支持 1 反对 0

    举报

    lgmcw
  • TA的每日心情
    奋斗
    2020-11-15 11:37

    • 签到天数: 249 天

    [LV.8]以坛为家I
    发表于 2019-11-9 03:35:21 | 显示全部楼层
    ubersoft 发表于 2019-9-8 23:56+ q% D# \" ~0 {4 }
    有偿整合数据、排版美化和制作mdx，可否？可以合并其他词典的数据，需要爬取别的数据也可以提供。如果需 ...
    6 O* X. Z4 C1 Z8 t" k- S6 P* z* @
    我觉得最有用的是那个collocation和cluster
    回复 支持 1 反对 0

    举报

    快乐巡洋舰
  • TA的每日心情
    奋斗
    2022-7-18 17:14

    • 签到天数: 413 天

    [LV.9]以坛为家II
    发表于 2019-11-6 11:34:39 | 显示全部楼层
    能做出排序，已经非常好了。祝楼主早日功成！
    回复 支持 1 反对 0

    举报

    ericqjy
  • TA的每日心情
    擦汗
    2022-10-5 15:24

    • 签到天数: 614 天

    [LV.9]以坛为家II
    发表于 2019-9-25 20:11:08 | 显示全部楼层
    楼主加油↖(^ω^)↗
    回复 支持 1 反对 0

    举报

    ericqjy
  • TA的每日心情
    擦汗
    2022-10-5 15:24

    • 签到天数: 614 天

    [LV.9]以坛为家II
    发表于 2019-9-3 23:08:43 | 显示全部楼层
    最好有英文释义，推荐简明牛津或新牛津或美国传统词典的英语释义。
    回复 支持 1 反对 0

    举报

    ericqjy
  • TA的每日心情
    擦汗
    2022-10-5 15:24

    • 签到天数: 614 天

    [LV.9]以坛为家II
    发表于 2019-9-3 23:09:54 | 显示全部楼层
    非常期待您的成品！
    回复 支持 1 反对 0

    举报

    freemanlea
  • TA的每日心情
    慵懒
    2023-5-28 06:06

    • 签到天数: 1190 天

    [LV.10]以坛为家III
    发表于 2019-9-4 09:02:43 | 显示全部楼层
    提示: 该帖被管理员或版主屏蔽
    回复 支持 1 反对 0

    举报

    ChaunceyWei
  • TA的每日心情
    奋斗
    2022-4-15 15:41

    • 签到天数: 404 天

    [LV.9]以坛为家II
    发表于 2019-9-4 13:25:25 | 显示全部楼层
    期待iweb的排序版啊，这个语料库收词量比COCA大了很多
    回复 支持 1 反对 0

    举报

    abnerzzz
  • TA的每日心情
    衰
    10 小时前

    • 签到天数: 904 天

    [LV.10]以坛为家III
     楼主| 发表于 2019-9-5 14:09:09 | 显示全部楼层
    ChaunceyWei 发表于 2019-9-4 13:25
    + q3 M* k8 F' M! |* ?4 h期待iweb的排序版啊，这个语料库收词量比COCA大了很多
    + m+ K- Z& w1 B9 G, q
    iweb语料库top6000排序版已经有了，但拿到相应的词汇搭配难度较大。

    点评

    eplono
    Hi, 这个的词汇搭配做得怎样了？可以分享一下不，感谢哈in advanced.  发表于 2019-9-25 14:22
    回复 支持 1 反对 0

    举报

    abnerzzz
  • TA的每日心情
    衰
    10 小时前

    • 签到天数: 904 天

    [LV.10]以坛为家III
     楼主| 发表于 2019-9-5 21:09:57 | 显示全部楼层
    iweb语料库前60000个词频排序版已搞定; j# ~' t% @! P9 u% r

    本帖子中包含更多资源

    您需要 登录 才可以下载或查看，没有账号？免费注册

    x
    回复 支持 1 反对 0

    举报

    abnerzzz
  • TA的每日心情
    衰
    10 小时前

    • 签到天数: 904 天

    [LV.10]以坛为家III
     楼主| 发表于 2019-9-5 21:22:52 | 显示全部楼层
    ericqjy 发表于 2019-9-3 23:08
    1 x$ Y0 G9 T: ~4 H7 G5 c最好有英文释义，推荐简明牛津或新牛津或美国传统词典的英语释义。

    3 M8 N4 e7 Y, J$ @iweb语料库每个单词明细界面，有同义词、话题、搭配、词簇等，同时还能链接到其它在线词典网站（图中标注12345能跳转到剑桥、韦氏）。
    % }( |% O% u; c# @4 @1 t正在想办法把这些明细数据爬下来，然而技术太菜' n: M0 r9 P7 q8 D: K1 ^
    回复 支持 1 反对 0

    举报

    alanpoon

    该用户从未签到
    发表于 2019-9-5 22:07:55 | 显示全部楼层
    正想找高频表导入欧路背单词，楼主可否分享词频表？
    回复 支持 1 反对 0

    举报

    cwx
  • TA的每日心情
    无聊
    2019-9-7 16:11

    • 签到天数: 13 天

    [LV.3]偶尔看看II
    发表于 2019-9-6 19:05:02 | 显示全部楼层
    求分享csv格式单词表
    回复 支持 1 反对 0

    举报

    abnerzzz
  • TA的每日心情
    衰
    10 小时前

    • 签到天数: 904 天

    [LV.10]以坛为家III
     楼主| 发表于 2019-9-7 10:36:30 | 显示全部楼层
    反馈一下iweb语料库爬取进度，暂时保存的都是html格式/ m$ M9 L# E1 n( {! @8 o. u* i' w7 p& r

    1 Q3 x$ ]3 x2 p' C有没有大佬原因做成mdx
    ( Q' w) J7 G( H* ^) `

    本帖子中包含更多资源

    您需要 登录 才可以下载或查看，没有账号？免费注册

    x
    回复 支持 1 反对 0

    举报

    yaknow
  • TA的每日心情
    奋斗
    2020-7-12 05:59

    • 签到天数: 97 天

    [LV.6]常住居民II
    发表于 2019-9-10 17:08:07 | 显示全部楼层
    可以的,个人赞成有偿服务!
    回复 支持 1 反对 0

    举报

    返回列表 发新帖
    高级模式
    B Color Image Link Quote Code Smilies
    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, 2024-4-23 17:02 , Processed in 0.079258 second(s), 13 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