【史上最全】在线词典抓取、制作技术汇总

bt4baidu

这篇文章主要是给计算机小白和初学者扫盲。
7 n- o+ R! O. ^4 Z6 s' W* f本人尽量写得浅显一点, 希望完全没接触过计算机编程的文科生也可以看懂。
只讲原理和思路, 具体的编程语言、语法之类的问题自己找资料解决，网上到处都是。

4 o5 j$ S3 E# `" k一、计算机的两个终极哲学问题
# a1 y# q5 W2 Q% [1936年，图灵在他的重要论文《论可计算数及其在判定问题上的应用》里，提出著名的“图灵机”的设想。
7 j; {2 K2 X9 q7 M# D1 c图灵机被公认为现代计算机的原型，它的工作原理简单来说是这样的：
$ D3 e0 @+ l* c1 i9 w# n设想一条无限长的纸带，上面分成了一个个的小方格，方格有两种：空白的和上面有“—”的；
3 v; u* ]1 q% l2 K8 a. Z机器读入纸带上的方格信息，根据这些信息, 结合自己的内部状态查找程序表，输出计算结果。
方格信息代表了解决某一问题所需要的步骤，这样进行下去，就可以模拟人类的任何计算过程。
“纸带方格”代表外部输入，“内部状态查找程序表”代表算法——也就是程序，要靠人来写的。

那么要写出程序，立即就会发现不得不解决两个问题：
' i5 N3 L+ Y- q$ H% C8 K! K1、怎么知道机器当前读入的是哪个方格？怎么读到具体某一个方格？也就是寻址。
1 T  Q6 m0 p  g- q& U4 X2、怎么把两种方格区分开？也就是特征识别。
- Q& E% s# m7 x  V& U3 K- s3 U这两个问题，就是计算机的终极哲学问题。
$ t; S1 h  u! b; o: F0 Z: J% }理论上，所有的计算机程序问题都可以逐步分解下去，最终分解为这两个基本问题。
2 a& C5 T4 p- m1 D% Y+ B: c( U$ e7 h下面的讲解也会以这两个问题为核心展开。

4 n% O- c6 X+ d0 TBTW, 如果你能想通这两个问题，遇到编程问题都可以这样子分解一下，把自己想象成一台图灵机，
6 M) }, a3 z/ K8 v——所谓“采用程序化思维”，也就相当于打通了任督二脉，立即具有了至少10年的编程内功。
所谓编程，本质上就是一种读取、存放、组织、区分数据，然后按照具体业务计算出结果的活动。
3 a9 r5 y! I) p! ]3 X5 |% |前者是核心，“我强烈建议围绕着数据来设计代码，而不是反其道而行之...坏程序员总是担心他们的代码，
' P2 s7 U% `  ]而优秀的程序员则会担心数据结构和它们之间的关系。”——Linus曰。
具体的招式，也就是某种具体编程语言的语法，花个半天功夫就能学会的。

不要觉得自己上学时学的不是这个，or文科生，就不行。
江民杀毒软件大家想必都听说过。
' K  @+ Y& \9 h$ U创始人王江民同志，初中毕业，38岁才开始自学计算机，不出几年，就成为中国最早的反病毒专家。
咱不奢望成为专家，写写程序总还是可以的吧？
2 _& B% h" ^3 H" D9 y- Y7 `0 Q
6 `0 ]; J' P2 \二、采用何种编程语言
上面已经说过，存放、读取、组织、区分数据是编程的核心问题。
/ x( C  J8 r* z显然，能够方便的进行上述四种活动的编程语言就是最好用、最易上手的编程语言。
抓网站，恐怕没有哪种语言比Python更方便。
, E4 h4 f) W6 b; {2 J当然，你要愿意，用C语言也不是不可以，不过可不是那么容易上手，
; H0 q/ N' K1 Y. h+ q3 {& g计算机专业的学生，有些到了大四毕业居然还搞不清何为指针、何为引用...这些家伙还是趁早转行，
没有慧根就别吃这碗饭。

, g4 [- g* `! G三、网站抓取技术
4 M* Z1 z7 |& T, L* ]0 w# z/ k2 w& u1、下载某一个网页，提取其内容
" n+ C: z7 ~6 s& M' A) d$ ^以前写过一篇，就不重复了。参考：
用一个简单的例子讲讲怎样从网站上扒数据

4 R3 c) `5 W* O+ {5 N# ~2、寻址问题
1 o# N" \; a+ m$ A9 z, `下载网页，自然首先要知道网址，也就是东西放在哪儿。
如果事先有个单词总表，那是最简单不过，立即就可以根据网站的网址规则拼出来。
4 T6 u. o+ U0 X. a$ e' |7 g但是大部分在线词典，到底收了多少单词，事先是完全不知道的，
  h, i0 I4 {% b! ~3 [要把单词弄全，就要想办法得到每个单词的网址。
总结各主流词典网站，大概可以分为这么几类：
5 \0 b0 V  C9 X) ?% L9 zI. 事先有单词总表
比如http://www.vocabulary.com就是这种类型。
它是在wordnet3.0的基础上编纂的，直接用wordnet3.0的词汇表拼网址就可以。

: ?9 p7 T$ O* }4 ^/ Q' \II. 网站有索引页面
! X% z+ q2 s" c% r$ S如：
OALD（http://www.oxfordlearnersdictionaries.com/）
8 @- z4 i( K/ G. W6 p5 Z8 O! l: w它的索引页在 http://www.oxfordlearnersdictionaries.com/browse/english/
, @" f7 h0 n4 T2 U1 {8 m% `2 cLDOCE（http://global.longmandictionaries.com/）
& g' z( ^. y" ^2 n8 |0 c" ^- J- _采用框架结构，左侧边栏就是索引页
MWC（http://www.merriam-webster.com）
索引页在 http://www.merriam-webster.com/browse/dictionary/
6 x2 E7 ?1 ?5 I+ a1 h等等
7 o7 k# N; K+ Y. C# z( f. ^/ A! n这类也容易搞，思路是先从索引页得到单词表和网址，再一个个下载。

1. 
   6 @: ]  t/ a" |
2. urls = []
   , i6 \9 }- s2 _, M4 a1 w
3. for someindex in indexs: # 循环所有索引页
   / U. a$ N6 B( i
4.     browseurl = ''.join(['http://somewebsite.com/', someindex])
   ( R& z. r) B7 B, [2 o9 ^
5.     browsepage = getpage(browseurl) # 下载索引页面
   4 W7 F% o% d$ V0 d- f3 i. l9 _; F
6.     target = SoupStrainer('sometag', class_='target') # 抠出放单词链接的区域
   
7.     bs = BeautifulSoup(browsepage, parse_only=target)
   
8.     if bs:
   
9.         for a in bs.find_all('a'):
   9 U+ K( F4 T/ d
10.             urls.append((a.string, a['href'])) # 取得该索引页上全部单词及链接
    
11. 然后：
    
12. for url in urls: # 循环所有单词
    
13.     wordpage = getpage(url) # 下载单词页面
    # O4 a6 O8 j  G  ]

复制代码

# n" ?8 x1 b/ w8 v6 v- _" h
III. 索引页和单词释义一体型网站
( f8 ~5 p, `& O# r& y4 T' I& \如：Online Etymology（http://www.etymonline.com/）
+ }" Q3 h0 L6 O8 M* A6 ?# r和上述II.处理方式相同，在循环索引页的过程中把单词抠出来即可
' O0 |5 Q1 W; ?% h& O- ?. A

1. 
   
2. for someindex in indexs: # 循环所有索引页
   
3.     browseurl = ''.join(['http://somewebsite.com/', someindex])
   
4.     page = getpage(browseurl) # 下载页面
   
5.     target = SoupStrainer('sometag', class_='target') # 抠出放单词的区域
   
6.     bs = BeautifulSoup(page, parse_only=target)
   0 D* O+ W0 D" i/ I0 m
7.     for tag in bs.find_all(target): # 循环抠出单词
   + S; l( r6 u1 F8 L. I0 K
8.         worddefine = getworddefine(tag)
   

复制代码

IV. 片断索引型网站
如：
ODE（http://www.oxforddictionaries.com/）
每查一个单词，右侧边栏有个Nearby words
2 P4 q/ x# }; b2 O8 N+ P) i! O5 rRHD（http://dictionary.reference.com/）
右侧边栏有Nearby words
CALD（http://dictionary.cambridge.org/）
9 Q7 @9 L5 j9 n( z5 k# O在页面的最下面有个Browse栏，给出前后相邻的单词
这类网站没有总索引，只好利用它的Nearby栏。
思路是从第一个单词（一般为‘a’或者符号数字之类的）开始抓，
+ e  Y1 z! J& g" e4 G, D' W每抓一个单词，同时得到下一个单词的网址，直到最后一个单词结束（一般为‘zzz’什么的）
7 m' W2 _' K9 q/ @. C7 o

1. 
   
2. cur = 'a'
   
3. end = 'z'
   # a, m: S& \( K
4. nexturl = ''.join(['http://somewebsite.com/', cur])
   
5. while cur!=end and nexturl:
   
6.     page = getpage(nexturl) # 下载单词页面
   
7.     worddefine, cur, nexturl = getword(page)  # 得到本单词释义、下一个单词及其链接
   & q) |/ x9 c3 G  J9 l! l, y

复制代码

- A% D$ u& _7 B
V. 完全没有任何索引，那就没法子了
& y/ f) S4 b4 a: s# [, p4 M当然穷举算是一个办法，自己搞一个庞大的单词表，然后按I.的步骤处理
理论上也是可以的，就是效率差一点；
# V, c5 m/ u7 o# i+ D$ T& D另外各家新词收录情况不一，有些词组、短语拼法也不太一致，单词表准备得不充分就没法完全网罗。
2 s0 d/ x4 z" U$ D+ c0 B; w
4 t. q! g7 D& J4 j1 W; @! m3、提高下载效率
$ U; e+ p6 f& j4 C4 d5 O1 wI. 多进程
上面写的都是伪代码，也就是简单示范一下处理流程，直接写个循环了事。
, V: Z9 T/ N: ~7 L# \( d6 Z实际抓网站时，这么做效率显然是非常低的。
假如有十万个单词，每个单词需要1秒，循环十万次就是差不多28小时，要花掉一天，
4 y0 `' _( g4 |- u( B有些网站还经常抽风，半分钟下载不了一个单词，那就更慢。
假如在这段时间内，你家猫咪把电源插头给挠掉，或者键盘被女秘书不小心坐到了呢？
3 C/ v, H+ |# r" m& I( }& G要速战速决，就得开多进程。
同样十万个单词，分成25个进程下，也就是28/25=1个多小时。
再开多一点呢？岂不更快。。。那样硬盘就转不动了，所以也是有极限的，要看PC的配置。
在Python里开多进程，同样十分简单，

1. 
   
2. from multiprocessing import Pool
   
3. pool = Pool(25) # 开25个进程
   ; h. ^5 ~8 J: g! C6 K2 z# K8 `, K
4. pool.map(downloadloop, args) # downloadloop是下载函数，args是其参数
   % o7 L( `6 ]+ j

复制代码

# h! c9 U: I8 p& M. |这就搞定了。

1 P& L. q1 S1 h6 a对于上述I.~III.，包括V.，分块比较容易，无非是把一个大数组分成25份，
关于IV.，事先没有单词总表，就只好采用区间的概念，
比如('a', 'b'), ('b', 'c')。。。这样划分若干个区间下载
$ T+ k2 c+ j2 \% z3 I
初学编程的人，一碰到进程、线程，常常有种畏惧感，
看到同步锁、共享内存、信号量什么的顿时觉得头大。
其实没什么好怕的，这是个寻址问题，关键是搞清楚它的内存空间构造是怎样的，
' V0 K  |( x# u! v+ }1 L其中涉及到一点操作系统、读写互斥、原子操作的概念，找相关的书了解一下即可，没有特别难以理解的。
* g( `0 F& P0 a# ?: L
3 G6 C7 |) p* n) }' VII. 断点续传
' E6 W5 C8 i, X  T+ U8 H事情永远不是那么完美的，网络连接随时有可能中断，网站可能存在瑕疵、死链。
0 M* V2 _# J* L5 D! }! R所以下载程序也要有点容错的功能，最好莫过于可以自行从中断处恢复，完全无需人工干预；
即便无法自行恢复，也得容易手工处理，不然可有的烦了。
这也是个寻址问题：关键是搞清楚从什么地方断的，把它标记下来；循环检测没下完的区块，从中断处接着下，
直到所有区块下完。
% \9 I& ^" @. h8 ^4 X4 _- I

1. 
   
2. def fetch_a_word(part, word, url, data): # 下载一个单词
   8 x$ z4 s9 t* W8 N
3.     word_define, failed = get_a_word_from_website(word, url)
   ; x$ @; K, `( y4 G% p6 _
4.     if failed:
   
5.         dump_failed_word(part) # 输出下载失败的单词及网址
     u/ h1 Z$ w4 W8 K% A
6.         return False
   ) v  l  _3 h+ R
7.     else:
   ! `: ]. P3 G, O; @8 ~5 |7 h
8.         data.append(word_define) # 保存下载成功的单词数据
   
9.         return True
   
10. 
    ' V& q3 k( K3 e) V& M& _) m+ L" C0 x
11. def download(part): # 下载一个区块
    1 g+ a8 k9 X3 \) y3 k
12.     words = getwordlist(part) # 读取单词总表
    
13.     if hasfailed(part):
    
14.         word, url = read_failed_word(part) # 读取前次下载失败的单词及网址
    
15.     else:
    5 c4 L' G9 W4 E+ {
16.         word, url = words[0] # 首次从头下载
    
17.     data = [] # 用来存放单词定义
    6 O7 L6 z7 j3 m3 w# y3 J3 u- r
18.     while not_end(words): # 循环下载
    
19.         if not fetch_a_word(part, word, url, data):
    
20.             failed = True
    
21.             break
    
22.         else:
    & w" z2 p# i# w$ S! F$ h5 E
23.             word, url = get_next_word(words) # 准备下一个单词及其网址
    
24.     if failed:
    $ r# `& M' s* g! |& ~9 F( c* e" D
25.         suffix = '.part'
    
26.     dump_data(data, suffix) # 输出下载成功的单词，若因下载失败中断，文件名加后缀'.part'
    
27. 
    9 l) q1 o7 Y+ Z7 l. @
28. def isfinished(part) : # 判断某区块是否下载完成
    
29.     if is_data_file_exists(''.join([path, part])): # 通过检查数据文件有没有生成来判断
    
30.         return True
    # k! n. B; v+ M: a, r5 U
31.     else:
    ' d, H7 ?4 J+ Y/ p+ n9 E
32.         return False
    , d, \$ E+ z$ x2 T) O
33. 
    / X. S# `8 c2 {( s& Y- I
34. def downloadloop(): # 循环检测未下完的区块
    ) t0 R9 z; e1 `# A  I3 u
35.     finished = 0
    1 R* d0 m: ?2 C. ], E
36.     while not finished:
    0 D4 G$ h/ Q+ h! ]. ^2 J$ n, h
37.         nf = [] # 没下完的区块
    # G, r- E4 I4 @# M. D0 i3 |
38.         for part in parts:
    
39.             if not isfinished(part):
    6 P8 F& T) I9 I: X  G' C% g4 h
40.                 nf.append(part)
    6 `8 w9 r$ Z, T+ f  N; y
41.         finished = not nf
    1 F5 E% W4 @; [3 v9 E
42.         for part in nf:
    - B" P, E9 q! g2 `
43.             download(part)
    

复制代码

2 _; `: S& Z7 ~7 Z! [1 u
III. 高速下载网页的小技巧
Python里面有三个库都可以用来下载网页：urllib2、urllib3和requests。
其中urllib2是Python原生的，urllib3和requests为第三方库。
（似乎Python3已经把urllib3收编为正规军了）
这三个库有什么区别呢？
形象点说，urllib2相当于去别人家“拿”东西，开门只拿一件，然后关上门，再开门拿下一件的家伙。
3 L) a7 _1 E% ?& \8 o, V! y再笨的贼也没有这么干的，不停地开、关门太浪费时间，也容易招警察；同样，频繁连接也会网站被封IP，
9 Q5 r2 I6 G0 F; x2 F0 ^, L8 p% Z所以urllib3在urllib2基础上加了一个HTTP连接池，保持连接不中断，打开门以后一次拿个够，然后关门走人。
; t. V" b  m2 x8 k' R) \2 D' F7 [但是urllib3有个问题，它不支持cookie，所以无法保存用户信息，遇到需要登录的网站就没辙了。
这时候就该轮到requests出场。requests在urllib3的基础上又进化了一步，它可以通过session来保存用户信息，
; v+ h/ y6 C; _, h, g通吃一切网站。
所以你完全可以只用requests，忽略另外两个。不过我一般习惯用urllib3，只在需要登录的时候才用requests。
这仨库的用法都非常简单, 两个第三方库都有齐全的文档可供随时参考，虽然大多数功能都用不到：
5 C' `, f( p  `7 q, W$ nhttp://urllib3.readthedocs.org/en/latest/
http://docs.python-requests.org/en/latest/：
9 v0 k. A6 @" r. k4 E8 @# a" M

1. 
   ' g) M5 |, J- K' L
2. #urllib2
   
3. import urllib2
   % Q/ E  D  a$ R$ r! I! r  J. L
4. def getpage(url):
   ) w) o# d' n2 E4 \3 t% v* a7 t
5.     req = urllib2.Request(url)
   
6.     response = urllib2.urlopen(req)
   - U  r9 D: q6 K7 b, Q, }$ |
7.     page = response.read()
   
8. 
   / Q# W6 J9 P8 |4 L
9. #urllib3
   9 V% N$ f5 z/ t4 w6 j. w% J# B
10. from urllib3 import PoolManager
      `/ J% k, P! u" ^+ i. O9 h) ?
11. http = PoolManager()
    - w' N2 L# z* A& Q; t9 `+ a' e
12. def getpage(http, url):
    . k! {& z: a0 o( ?! f1 o  C: r* Q2 z
13.     r = http.request('GET', url)
    
14.     if r.status == 200:
    
15.         return r.data
    
16.     else:
    * @  v% \6 c+ b( h$ m
17.         return None
    # E$ O0 Q  n. M$ x1 D/ \4 S
18. 
    
19. #requests
    $ h1 @, m& g5 o, K7 y( W: p& R2 U% O
20. import requests
    
21. session = requests.Session()
    . x& Y0 z. E9 R7 n) Q
22. def getpage(session, url):
    
23.     r = session.get(url, timeout=10)
    " [( U' w9 s' x: A5 Q
24.     if r.status == 200:
    
25.         return r.content
    1 H) b( C, J- B/ \5 ^7 N) i4 H% L
26.     else:
    
27.         return None
    

复制代码

四、后期制作
1、文本处理，是个特征识别问题。
本质上是找到满足某种模式的一串数据，按一定的规则转换成另一种模式。
当前的大热门：生物识别（人脸、指纹、静脉、虹膜。。。）、语音/摄像头输入（智能家电、自动驾驶。。。）
* W* O  u6 p3 Z8 p" c" \' x3 J3 P都涉及到特征识别问题。
相比这些高难度动作，文本处理算是比较简单、基础。
$ {! h* T0 U. I' \Python里常用的文本处理技术：正则表达式、BeatifulSoup、lxml
正则表达式非常强大，但没法处理递归嵌套的标签型数据
（如：<div>第1层<div>第2层<div>第3层</div></div>...</div>，这已经不属于正则文法的范畴）；
, c) {( |  x: d; L: BBeatifulSoup/lxml可以处理嵌套的标签型数据，普通文本则无法处理。
9 A0 s7 \( o& v# i所以常常要结合使用。
" j. r2 J" J0 b. ]% z/ y! G这些难度都不大，关键是胆大心细、思维缜密，不厌其烦，慢工出细活。
2 X9 g6 |3 [2 Z
- j* n7 d4 Z+ }1 L( ^- D2、排版
HTML、CSS的基础知识：
6 @; u+ N' t8 L4 ?+ l1 Dhttp://www.w3school.com.cn/html/index.asp
http://www.w3school.com.cn/css/index.asp
http://www.w3school.com.cn/css3/index.asp
非常系统、非常全面。
排版词典需要用到的HTML/CSS知识并不太多，遇到问题参考上述网站即可。
+ x" f6 G2 t) e  G
五、结语
& z+ d+ p$ J0 J) r2 E花点时间写个科普文，主要是考虑到确实有些文科同学or计算机小白想制作词典，但没有思路，无从下手。
# v" q  N1 x, e8 K& m( I7 B所谓术业有专攻，为学有先后，总结一点经验分享出来，也算是对社会做点贡献——
. z) R1 y8 l. C5 B% x大家有个切实可行的方法参照，不至于绕太多弯路，浪费太多时间，从而节约了社会成本。

5 n' t- O' r" S7 d, s: U打算做万年伸手党的同学，本人也没想过要鼓动你们，继续做伸手党好了，热心人还是挺多的，时常有不错的新作发布。

只是拜托不要打扰别人，真想要就自己动手。
尤其不要抱着“你手熟，水平高，做得比我快”的想法，觉得找别人做词典就特别理直气壮、理所当然。
水平再高也要花时间；同时，水平高也意味着其单位时间的价值要超过水平低的人。
* g+ |) b9 B" d2 N) B( Y虽然每个人都觉得自己至高无上，应当受到别人重视，
9 @* O; ^% `- M0 t其实“在你做出惊天动地的大事、拥有巨大名声之前，你在别人眼里就是个屁”——Bill Gates曰


! U) o+ q) W# x. f% W! o3 w1 ]========
六、拾遗
! I) E; A* ]1 j关于上述IV. 片断索引型网站，有坛友指出ODE、RHU等都有索引页，因此可以归到第II.类
确实如此
+ c8 A5 a# L$ I8 |- M不过这里只是举例而已，不用太较真啦
实际操作过程中，由于网站可能存在索引不全、死链、交叉跳转及数据瑕疵，往往要将II.和IV. 的方法结合起来用，否则不是抓重就是抓漏
这种综合性的抓取方法，本人称之为单词表密集轰炸+广度扩展法。
即，
2 X. _( X! p* [/ o- j第一轮：先从索引页面获取全部的词头（集合A），再用这些词头去网站下载单词，同时提取每个单词页面里指向其它单词的链接（集合B）
' ^9 f# @  Z3 Q1 \第二轮：从集合B里删除已在集合A里的词头，得集合C；再用这个集合C里的词头去下载单词，并提取每个页面里的链接（集合D）
: y9 a1 |& ^( c2 b第三轮：从集合D里删除已在集合A和B的并集里的词头，然后重复第二轮的后几步动作
。。。
直到无法提取到新链接时，结束下载。大部分时候，第二轮结束时就已经提取不到新链接（即集合D为空）
4 j* n/ G( {, o8 X7 v最近新做的RHU、CED、WBD，均是采用这种方法，速度快，容错性强，效果极好。
形象点说，这种方法相当于草原上先有若干个着火点，这些着火点会把其周围的草地点着，最终烧光整片草原。
8 _/ r, w# ^  k0 z7 |- F因为一开始着火点就已经比较多（索引页的大篇单词表），所以会烧得非常快、非常完整。

bt4baidu

Oeasy 发表于 2014-10-24 18:41
$ U: f( q: P; U" r) \$ |感谢楼主分享知识和经验。

每个人的时间都很宝贵。希望大家珍惜自己的时间，同时也要 ...

' T) K2 H1 j! i现有的mdx词典，其实足够绝大多数人用一辈子的了
: _( B* \% k. ]$ _/ W6 N" B  T
本人前段时间制作、收集了不少，经过一段时间的比较、试用、淘汰，只留下目前最常用的，也就八九本而已；未来相当一段时间内，本人应该是不会再出手的了，除非之前发的wish list里提到的几本有合适的数据来源。

+ |: z0 a5 D8 q& q本人最常用的词典：
主力阵容：VOC、ODE、WBD。
' G+ r8 u( s( B% i6 D" o& n三本都是中型词典，收词量均在14w上下，以本人目前的阅读面来看，还未遇到这三本里面查不到的单词、未收录的义项。据说史上掌握单词量最大的人是政治家兼散文家丘吉尔，也没超过14w。除非钻故纸堆，恐怕用到W3、SOED的机会不多。
6 w: `+ k9 v) Q5 R! V
替补阵容：LDOCE、词源、短语8in1、韦小黄&韦小绿、Garner Usage。
LDOCE用来查常用词的惯用法/搭配、语法信息；
词源用来辅助理解、记忆单词；
7 y) j/ [9 T) {短语8in1用来查漏网的惯用搭配、非正规用法；
韦小黄/Garner Usage用来辨析/比较同义反义、正误用法；
韦小绿用来辅助理解、记忆大词。小绿真是本好词典，有人说里面收的单词都是一辈子才能见一次的那种，其实不然。它虽然只收了1400多词，却几乎都是高频的大词。从本人的使用体验看，查得率相当高。比如最近看新闻说一种超大蜘蛛，里面有个词arachnid。别的词典只是干巴巴地说4对脚的生物之类的，只有韦小绿说了它的来源：从前有个女孩叫Arachne，编织技艺了得，把雅典娜女神给比下去了，结果激怒了女神，被她变成蜘蛛，终身织网。这种解释多有意思，看了永远忘不了。
1 @- ?' W4 H5 O; w/ c! P
9 {- }+ [- Q( `1 d7 |! p  i7 k4 Y, o上述词典，坛子里都有，无非是版本新一点旧一点。比如朗文5和朗文6，有人统计95%以上的内容都是一样的。如果是完美性格，非要用最新版，那就只有自己动手。不会有人在词典出版的第一年就去挑战版权方的。
“对于好学生，任何教育资源都应该是免费的”。虽然本人同意这种说法，也认为现行的版权制度存在重大问题——有人靠垄断知识获利，却完全合法；但是本人从未打算挑衅版权方，更未想过做Aaron Swartz那样的斗士。靠垄断知识获利是有点无耻，但如果没有利润，也就不会有人去做整理资料的事，这确实是个难题。

还有些人没事喜欢收藏词典，收集了一大堆，却从来不用。说到词典收藏癖，想起以前的一位室友，那家伙每天最大的兴趣就是下载影片刻光盘，大概刻了几百张，还在不停地刻。但是从没见他看过，他也不让别人看。
9 A" e% x: j, x% ~' t  r3 @这种癖好大概是来自于原始社会的一种遗传，人们总觉得应该储备点东西，说不定未来某一天就会用到。其实那一天说不定永远也不会到来，不如就把今天当作那一天好了。有多少人买了一书柜的书，到死的那一天都没看完，甚至有些书连封皮都没揭开过。
4 g" f5 }3 s! X; C

happlebao

针对

IV. 片断索引型网站

说一下。
  O) I& `2 C  l% T6 D: x其实只是你没有发现而已。
ODE： http://www.oxforddictionaries.com/browse/english/
) M2 J- W9 Z7 p  XRHD：http://dictionary.reference.com/list/a/
, S8 A: P7 k' w7 B% L6 uCALD：http://dictionary.cambridge.org/browse/learner-english/
. v, I# H3 P+ L8 j
1 [* s3 n( Y  \; ?( x2 x/ H* d如果不想写爬虫来找索引入口，那么就要用好 Google 。答案肯定就在第一页。
6 m; P' y) o$ {9 F3 v; J以第二个为例：
. G) Q5 M# h2 P( n9 O9 G% F4 C* vinurl:browse | inurl:list site:dictionary.reference.com

PS：最近才发现这里，发现资料很多啊。

bt4baidu

排版、修改他人制成品小技巧

# ^$ k# G0 h7 T# t; S假如下载了别人制作的词典，对其中某一块的配色、缩进等不太满意，想自己动手改改
或者，看到别人的排版比较舒服，自己制作词典的时候想借鉴一下
1 z  [+ [6 j7 o* Y& `结果解开mdd，打开css文件，看到上百行密密麻麻的文字还真是有点晕。。。
这里有个比较省时省力的小技巧，可以快速定位到想找的地方
4 j2 H3 F! Z) j3 v8 F( z# ?4 C
1 S; T( h' V/ X9 D* l, F( B1、Goldendict里，在想修改的地方点右键，有个“审查元素”：
% m6 U" f* F* w! ^
7 ?" I/ n& S3 l+ ?$ Z
2、点进去会打开webkit浏览器的调试窗口，红框圈起来的地方就是了，想借鉴就直接copy-paste到自己的css里完事
7 d, u4 ^3 |* ?" h, w/ x& x) N
1 w- p5 d( T& |6 z
6 ]  b. P# ]# m1 ~! L8 Y/ Q3、修改就用Gettext等工具解开mdd文件，然后打开css改相应的地方
1 x4 l0 H% e. G1 _8 }6 n4 T
6 ]. b+ A6 d: w& y: e' x/ }8 K
收工

Oeasy

2 C. T  w4 w% U0 |9 [% K


感谢楼主分享知识和经验。

7 B& b, p/ p. V9 w1 c5 ~' \+ e7 g! j每个人的时间都很宝贵。希望大家珍惜自己的时间，同时也要珍惜别人的时间。别人没有帮助你的义务。

  l1 [/ e" X* i8 v2 s& S, r1 N私下里也有人找我各种求助，如果是举手之劳，我顺手就帮了。

2 y, E" B* t5 U0 n& j但是如果耗时需要两分钟以上，我基本都是直接或间接拒绝。
0 T+ ?" k$ b1 u* h- I0 Q" i) W
除非对方很有礼貌，懂得如何提问和求助，提问之前自己思考、搜索过，再或者提问的是熟人或者他的问题我也很感兴趣，通过帮助他，我自己也能收获些东西。
3 n* g) }( _; J+ `: A
$ n9 |7 m- o  {5 f) |4 }. q8 K
" k7 }* B# Z: J, o3 W2 `0 j

6 v7 v& o+ o2 Y3 F& X, X7 z

bt4baidu

Windows下制作词典必备的文本处理软件：

• EmEditor
• Beyond compare
  

, P3 Z2 i+ e' T% G: ~
前者用于编辑，后者用于差分比较
6 P1 L0 M2 `& r- o3 {6 U( U处理300Mb以上的超大尺寸文本文件毫无压力，实在是无比强悍

oltiger

bt4baidu 发表于 2014-10-25 21:01
2 g& ?* I2 O: |" V2 c/ @现有的mdx词典，其实足够绝大多数人用一辈子的了

本人前段时间制作、收集了不少，经过一段时间的比较 ...

8 n! y8 o# A; r5 W7 K, ]肺腑之言。

bt4baidu

关于字体，请参考
7 j5 G  H7 W- r) P: v6 W& v% z6 w" F
网页设计中最常用的字体有哪些？（中文和英文）
http://www.zhihu.com/question/19680724

  d5 L; X% E$ W" u/ D本人用的最多的是Lucida Grande、Helvetica，正文里的斜体字首选Georgia，音标用Lucida Sans Unicode
这几种字体在Windows、苹果OS上显示效果都不错，字号也比较全
另外Open Sans字体也挺漂亮
& _& |" j' M5 i; Q+ Z" ~. `' @! {

flczjc

看了之后发现我确实没这慧根，老老实实找点现成的字典用用算了

是小樾啊

bt4baidu 发表于 2014-10-22 20:21
5 v) g, v+ j* |0 T5 z9 Z最好带着一个问题，在解决问题的过程中边用边学，比如抓词典；否则泛泛的看书、看资料、做一些不痛不痒的 ...

感觉找到适合自己的问题好少啊
: _$ w/ K/ v& a这个适合的话感觉是兴趣和难度
想请教一下楼主是怎么处理这些问题的呢
还有种不系统的感觉

hidroid

谢谢分享，很不错

kevinmzm

Thank you for your good lecture. Will see if I can comprehend a point or two.

louislaolu

: ~# `' j- q' c, f
写得很好。刚看前几行的时候，的确激动了一下子。虽然没怎么懂，但是第一次能坚持把这样的东西看完，觉得也是对自我的一次超越。谢谢！

ceoyee

這個要推~ 謝謝百度哥

houbible

强大的教程，谢谢分享经验！谢谢bt4baidu！

chigre3

受教了, ~\(≧▽≦)/~一个!

belleyeah

先收藏了。慢慢看。

cenfit

已经收藏，谢谢！

wenlishahsa

辛苦了，谢谢！！

Hugh

学习！

bt4baidu

8 F. }0 \# ]0 }( C6 Y9 Kjava和.net就是个垃圾，我懒得提而已
; q" R" C! s) @. R5 l在Linus这样的大神眼里，连C++都是垃圾：
* V- P' @9 C9 p: s7 }http://www.csdn.net/article/a/2010-06-12/218785

如果你的志向是做一名合格的码农，这些所谓高级语言最符合你的需求，生产效率很高，可以很好的完成老板分配的任务，我见过一周写一万行代码的，大部分都是什么类啊、对象啊之类的狂占代码量，在一般不懂行的眼里又显得特别拉风，貌似站在技术发展的最前沿；其实真正的大牛，早就不玩那些了。所谓面向对象，不过是为了提高生产性，好让资质较差的程序员跟得上而已，因为那些家伙无法理解过于抽象的事物。
. h9 A9 C+ ^$ u) x% |+ U
不过面向对象也不是没有好处，它可以方便的把比较垃圾的代码隔离起来，不让它影响整个系统的稳定性。
! T- J% w' F% y$ T* @我以前常常自己把整个系统框架搭起来，留出接口，具体那些粗活扔给下面的人干，即便代码水平比较差，影响范围也不会大。
& b& s4 E) F* Y2 ]( ~这样系统的稳定性就有了，生产成本大大降低，效率也大大提高，因为可以大量找廉价码农。
不过，用户稍微吃点亏，因为垃圾代码毕竟是垃圾，运行效率比较差。
为什么win98的时候大家都是32M内存，运行程序倒不觉得非常吃力，现在动辄8G内存，机器反而经常吭哧吭哧跑半天呢？
因为垃圾代码太多了。
2 z( ~( n& f0 Q3 O

1 H8 @+ C& o( v6 z

meigen

9 ^0 _# g4 N) G. c9 ]

  t, e" f, o4 y算了，道不同不相为交流
想起某个梗
程序员眼中的编程语言

大熊部落

不赞成多线程抓网站，但是好贴子要支持！
3 E! J1 X& V, G2 b
自以为是“文科生”的朋友们就别学Python了，因为这个世界上还有很多现成的抓网站软件，虽然Python确实是个好东西。

另外win95时代才是32M内存，win98的时候至少有128M，我一台老主机还是win98，文本检索速度秒杀XP。

bt4baidu

meigen 发表于 2014-10-21 00:07
算了，道不同不相为交流
想起某个梗
, C, q  c( y8 y1 |程序员眼中的编程语言

不同的语言适用于不同的人群：
/ o. T  T0 T7 `! \4 j. L如果你有志在计算机领域施展一番拳脚，应该从C、汇编学起，离机器思维比较近，也没有那么多纷繁的库、乱七八糟的概念，可以专注于研究内存构造、算法本身。
如果只是用来处理日常文书事务，则Python、Office VBA这样的脚本语言最合适，说不定十几行代码便可以把你从一个星期的ditty work里解放出来，也容易学，实在是非常划算。
至于java、.net这些高级语言，留给打算做码农的家伙们学吧，这些语言被设计出来，目的是为了提高生产效率，便于人与人之间的交流；它离人的思维比较近，离机器思维比较远——你可以用它快速干完老板分配的任务，也可以从业务层面说个头头是道，但是很难搞清楚程序运行时的每个细节。

+ {1 K5 c% g' t. T6 f0 D编程语言的口水仗永远也打不完，不争了
) m" i, n+ C6 ~9 J/ M5 i

bt4baidu

大熊部落 发表于 2014-10-21 00:35
4 t& @2 O- n% k- C' L4 X  f不赞成多线程抓网站，但是好贴子要支持！
: ?: ]  C9 T1 @+ k8 o- y3 s1 Z
% i. R8 c7 s: [; U' u* I: M自以为是“文科生”的朋友们就别学Python了，因为这个世界上还 ...

, k  r1 X+ N4 ^: m! h4 C& s0 f# o下载软件？推荐一款？
& j! k& r2 J* B+ |; L4 b9 G最早的时候，网站上都是静态HTML文件，是可以用下载软件整锅端的；
现在99.999%的网站都是动态的，服务器上只有PHP/Java程序和一些图片、视频，文本数据存在数据库里，网页是自动生成的，并没有那么一个文件在服务器上，如何下载呢？
比如这个论坛就是，咱们敲的这些字都会进数据库，在你打开网址的时候PHP程序去读数据库，才会把网页生成出来，并不会事先预备一个网页在那里。
除非那个软件可以模拟网页浏览的操作，那倒是可以。不过那样的话，还是需要事先有个完整的单词网址总表，但是正如我上面所说，很多时候你无法事先知道。
目前的下载软件多是用来下载图片和视频、mp3，不是用来下载网页。
2 N' A$ A3 _% ]( r
1 v9 Q( f7 y$ z4 P  A) Y+ _至于多线程，完全不用担心，你用Chrome/IE打开网页的时候，就是多线程的。
2 [7 u& Q! u* s; o对服务器影响较大的是频繁建立连接（所谓DOS攻击），下载数据只是影响流量带宽，对网站影响没那么大的，
目前主流网站都是毫秒级响应用户请求，带宽无比的大，下载单词对它的影响不值一提。

bt4baidu

本人做个大胆的预言：
随着智能设备越来越多，生活越来越智能化，人不但要具备人际交往能力，也要具备人机交往能力。
8 Z( p1 \  g. b. P# M) B未来会出现一个新的行业：私人计算机管家。
专门替土豪处理计算机相关事务。其实现在已经有专门替土豪发微博、回微信的助理，可以算管家一类。
但还不够，账户安全、数据安全，哪些可以放网上，哪些该物理隔离，这些并没有人替土豪处理，于是清凉图片满天飞。

大熊部落

bt4baidu 发表于 2014-10-21 11:29
下载软件？推荐一款？
0 Q: s% }3 {2 `  R: f最早的时候，网站上都是静态HTML文件，是可以用下载软件整锅端的；
现在99.999% ...

. v/ f4 T, B  r! d8 |用Phthon能做的也能用软件来做，因为软件只是把代码做成界面而已。比如你上面说的下载一个词条后可以获得另一个词条的链接，那么软件会自动下载这第二个词条，因为软件可以设置成下载所有新的链接。

十几年前的小软件就有模拟的功能，对那些看不到任何页面的数据库也有软件搞定，不过有些方法可能超出“下载”的范畴。

& K) O( t. B/ j1 H, |用不用多线程（最多3线程）是原则，有点像“偷”与“抢”的区别，反正不是为了商业利益，还是遵守原则比较好。

我不是专业人员，平时只用C玩玩算法游戏，目前在学习Phthon，但愿十年内不用再学习新的语言。

bsqby

此类科普文, 多多益善, 学习之!

bt4baidu

大熊部落 发表于 2014-10-21 16:18
4 S# d) C/ y- G6 s用Phthon能做的也能用软件来做，因为软件只是把代码做成界面而已。比如你上面说的下载一个词条后可以获得 ...

! f9 q' G* C; `9 v  K$ o我一般是先看看自己能不能写一个，搞不定或者太花时间再去搜现成的软件
0 i0 ], Q0 A7 H1 E9 a. P, {2 R
- o* G4 Q. O. g4 T: k

下载一个词条后可以获得另一个词条的链接，那么软件会自动下载这第二个词条，因为软件可以设置成下载所有新的链接。

. e: ~, Z+ e! r" U+ ?4 [推荐一款可以下dictionary.com的？这个网站上的词典我还是蛮感兴趣的，就是懒得动手

bt4baidu

平时只用C玩玩算法游戏，目前在学习Phthon，但愿十年内不用再学习新的语言。

; U2 O7 p8 A; v3 U/ c
, q6 y6 l' S8 s7 c最好带着一个问题，在解决问题的过程中边用边学，比如抓词典；否则泛泛的看书、看资料、做一些不痛不痒的练习，效果甚差
8 ^, S. Y+ I1 i! r, w5 N- q: S, h计算机是用会的，不是学会的；
% R9 c  }0 F1 G, i9 U8 o程序是调试出来的，不是写出来的

/ L: C* _1 x- Q/ w% L4 V4 E既然会C，完全不用花时间学Python啊，10分钟足够了。我也就是花几分钟看了下百度百科就开始干了，遇到问题随时可以查资料。
9 B7 L/ Q4 \! m' W/ Q* v你现在问我Python有哪些关键字、哪些运算符，我都答不上来；这些都无关紧要的——我在做词典的过程中，大概已经写了上万行程序了。

大熊部落

bt4baidu 发表于 2014-10-22 20:21
3 X. K) Y- @: _- x最好带着一个问题，在解决问题的过程中边用边学，比如抓词典；否则泛泛的看书、看资料、做一些不痛不痒 ...

多谢指点！我只能用C玩玩简单的竞赛算法题，这些天用Python抓过一些页面，正在研究更复杂一点的方法。

- }. B8 ^0 S' `我的一点网络小技术是很久以前在X客基地学的，当时花了几百块钱，没想到有些技术到现在还没过时。抓dictionary.com的话用一般的软件就能搞定，老牌的离线下载小软件（如offline等）或这几年流行的火车采集器（www.locoy.com）都不错。

smallrock

就需要这样的教程！学习了~

mitkyg

学习