|
|
本帖最后由 tsiank 于 2022-8-28 22:13 编辑 ' E; k! `0 O1 F K3 r2 d0 F
9 s* @) @% D$ F8 ^
看到论坛上还有许多人对牛津高阶双解第四版很感兴趣，也有人为了完善此词典而不断修正。然而此词典的数据在不断地转制过程中，失真较多，纵有多个版本相互参照，也不一定能校正过来。昨天有个朋友提起，我又找来原光盘的数据看了看，发现里面的数据基本上是明文存储的，研究了一番，最终基本成功提取。
( @7 T; b- Y1 v+ j
# U# p; C/ N# f7 L1 a! \9 k: e光盘的数据文件在DATA目录中，比较大的文件有三个：JRDCONV.DAT、JRDOVFL.DAT、JRDINDX.DAT。第三个名字一看就知道应该是词条的索引文件。第一个文件最大，词条内容应该就在这里。用Emeditor默认编码打开，里面的英文一览无遗，而且没有加密，中文是乱码，由于原光盘是繁体版，便试着把文本切换到BIG5码看看，果然中文都是正常了！再观察英文，有许多口口不能显示，而且这些口口似乎都是成对出现的，口P口p、口B口i、口I口i、口W口w，对html熟悉的人来说，瞬间就明白这些应该就是html标签。
. r0 A! F# K0 u$ t
. s! T: e1 [) [) o$ j6 d/ \; y/ g0 e9 n! y* D
7 m/ ]6 p! _ [# G如果在以前，我可能就直接用emeditor正则批量处理了，可是这些词条之间并没有什么特别独特的标记，导致不好分隔。这时我切换到16进制视图想看看到底有什么规律。然后发现每个词条在大段00后都以非00字符起始，后面再连续几个00字符，这些非0字符接数字顺序排列，最后一个词条是5716，换成10进制就是22294，这就是主词头数目了。
7 h0 \! p z1 x, o \
: {9 w" T F9 H6 f& I9 i
8 @, h7 }9 I/ {+ d, t# @
& y( ^" j6 X/ E% Z4 I; i% E: W8 d" y试着用C#写了脚本，以二进制方式读取，判断词头位置，划分词条，替换标签，转为UTF8保存。初步生成的文本如下，看起来似乎稍加处理就能用了。然后就又发现了个问题，好多词条都不完整，只有一半，另一半数据呢？答案就是在JRDOVFL.DAT这个文件中。. I5 A$ C; t/ G, @
6 B# i! z3 u2 a0 ?6 F0 B8 M9 D9 M) [. ?3 l H4 D% O6 {- e
JRDOVFL.DAT这个文件，每个词条在几个00后都也是以非00字符起始，这些字符也是词条序号，和JRDCONV.DAT文件中词条序号对应。一开始以为只要把这些词条追加到JRDCONV.DAT文件相应词条后面就行了，可生成后发现并不对。这个文件中有好多词条都是出现多次，需要插入到JRDCONV.DAT文件中同一词条的不同部分，这些要插入的位置都是以FF00起始。FF00后面的三个字节没看出来和JRDOVFL.DAT中的词条有什么对应关系。这就给两个文件中的词条合并增加了些困难。好在同一词条不同部分都是以先后出现的顺序插入，于是就用这个办法，以我有限的编程知识，循环套循环的实现。" @, _4 [ f" {7 R. Z# Q4 _
6 F. j( u( m+ k D P; G; J
8 ~7 r( s1 g0 ]- g6 h4 R1 o0 q, e( _! C经过多次调整，最后算是把词典数据基本还原了。不过也不能完全保证数据完全还原，有些词条的末尾处有数据编号，没看出具体作用，可能和图片声音有关吧。代码和提取后的数据我都放出来了，想动手的人可以照此思路和方法自己试着提取。由于光盘版本身有些数据就有问题，所以提取出来的数据也非完美。有人想要完善的可在此基础上继续加工，或可以以此数据和现在数据作校对用。需要注意的是，如果以此制作词典，不要轻易删除数据，不要轻易把繁体转简体，以免再犯前人的问题。
5 L: N/ ?( z' Q1 s. o( g: O0 B0 k5 Q4 v
/ l4 f- V; G/ G+ r5 n! b
20220828更新： F7 s+ U+ h, T4 g- W% U
还原自造字；8 ^6 {3 v3 ?" \ n
音标转换为Unicode音标；2 r2 C) ~* T: F& a0 G+ R
英文例句破折号还原；
; q* }- }; m8 A4 _, j* P增加牛津高阶第四版图片版；% l, C3 i. i- j
: k7 E7 V9 ]$ N7 B$ A' B4 }8 \3 e
欲了解详情，可点击个人网站 https://haibao.me- B0 J3 ^4 A: p
: T1 D" J6 f# b9 T* E链接: https://pan.baidu.com/s/1HYBprhXAT4aoyDKe7u-Evw?pwd=b2tt 提取码: b2tt |
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
评分
-
3
查看全部评分
-
|
发表于 2022-8-16 00:15:32
