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: 313|回复: 11

[存档] 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
一、excel文件的合并
8 ]8 Q; {0 n# t4 b' F' G用wps非常方便
  W5 c% E0 D- s' ]二、数据遗漏检查
8 V: k+ m) E  G1 @1 J6 N! G2 p) S# x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:$32822),1)),ROW(A1))进行计算。其中32821等替换为网址中的最大数字。. s, H7 X3 a+ D" `. x" C
三、参见跳转
2 Y5 j, H, k. Z) \  B5 j6 o如果参见后的条目较多,可先用正则式(“.+?”。)全选相应文字,再用(“.+?”)在选区内替换。
, y+ Q, s) T' Z" @3 {四、目录制作7 ^+ x/ K+ g# s: ?* G
如果是多级目录时制作较为麻烦,利用excel,一级目录在第一列,二级第二列,依次类推,其中细节处理用好公式,不再详述,最后目录加上p标签,条目加上a标签即可。7 d9 i& f$ |# B% Y; q
五、特殊序号
, t3 E9 `- i; H' u- 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。
/ P3 l4 i( V) e) ^: ~1 ~. d. U8 _/ n+ L. p
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
    9 小时前
  • 签到天数: 575 天

    [LV.9]以坛为家II

    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 05:34
  • 签到天数: 82 天

    [LV.6]常住居民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
    擦汗
    昨天 15:05
  • 签到天数: 127 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 22:064 E7 g: Y( Z, k1 S$ ~
    先收藏了,有时间了,配合bt4baidu版主的爬网页方式试试

    1 O/ M7 a" n3 Y" u$ q3 _0 T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
    . H0 m6 n5 M0 f7 W. m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 ...

    1 U$ _, ?+ u8 a: m" J汉语语料库,
    6 A6 Q2 O7 J4 t# L" y您知道这是一个多大的工程么?
    $ Y8 y" k- R8 r* `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, ?, `8 }& f: O" F( B, U+ ^' S/ `0 D

    ( t( V/ i9 @) s% m* `对于语料库制作,无外乎两种手段:
    ! K. l  ~; E' d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
    ! X. s0 h! B8 A/ `: a+ y' e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: x/ m$ H$ x# b$ b- Y- p7 K& P9 a
    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:
    8 O/ A4 V5 y! n2 E+ hABBYY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
    5 K; u2 x* D1 G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
    8 `+ w9 l7 j  F/ \7 f
    - o( B& D+ X0 O. E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
    5 A0 C- B! v4 J4 }( B  J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
    擦汗
    昨天 15:05
  • 签到天数: 127 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- w7 w2 k; z/ r! l7 T汉语语料库,$ P4 m4 F4 a8 Q, Q- c
    您知道这是一个多大的工程么?
    & N$ @/ r4 X  f- |: P语料库,对于汉语,得先确定字正确,其次是语句有无问题,是 ...

    & @, @: B( k. B& n* f, J/ 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) M( w  A2 ~2 M
    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 ...
    & D! V' q/ j, p& Q: o
    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
    # X* z7 J$ v! ~5 m3 [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
    擦汗
    昨天 15:05
  • 签到天数: 127 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
    ! ^: M. x3 C: S0 [, V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 ...
    ( a  B& I! R" ]0 l+ i! o' F
    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 11:425 J& U# x! G$ f. L2 c+ b, z5 X; T
    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 V8 i) q- ~' B% }
    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
    擦汗
    昨天 15:05
  • 签到天数: 127 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
    / k' Y+ N6 T/ A8 p$ c( ~; z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 ...

    . I+ J9 u& b4 Z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" K* b$ q( H0 L' W
    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 ...
    & ?# W: ~8 }4 R
    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

    顶部qrcode底部
    关注公众号送论坛充值码
    关注微信公众平台
    关注微信公众号 pdawiki,获取邀请码,看文抢积分,抽奖得浮云! Follow our Wechat official account "pdawiki", get invitation codes, and play the lottery to earn points (积分)!

    小黑屋|手机版|Archiver|PDAWIKI |网站地图

    GMT+8, 2020-8-12 18:12 , Processed in 0.030349 second(s), 6 queries , MemCache On.

    Powered by Discuz! X3.4

    © 2001-2017 Comsenz Inc.

    快速回复 返回顶部 返回列表