【史上最全】在线词典抓取、制作技术汇总

bt4baidu

( K, M' T( p! d0 X
这篇文章主要是给计算机小白和初学者扫盲。
. d8 x! c- J) J' d. \$ i; F; U* h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。
2 `7 ~2 W9 I* F# c2 |8 S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。

一、计算机的两个终极哲学问题
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。
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：
8 X$ o+ i  k. b0 F. ^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；
6 x  M# \4 V1 }; U; ~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。
& f9 B- r$ n1 [! z( x& j“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。
0 [% o! O2 P0 j/ j% x1 W% `- U) l
那么要写出程序，立即就会发现不得不解决两个问题：
& i$ [1 X! N, H5 `" x1、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。
2、怎么把两种方格区分开？也就是特征识别。
这两个问题，就是计算机的终极哲学问题。
0 i  ?' {! v# M& Y3 g/ e# u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。
) o) E5 _7 l+ N9 Z9 ?0 N0 \下面的讲解也会以这两个问题为核心展开。
# g- `- t! f# V+ }) U% a
BTW, 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，
5 G+ T0 J! `8 i8 d& E——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。
* C  W) a+ N8 s% D: ^/ D$ i+ t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，
# V3 u$ z: g# ?+ T2 m6 a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。
/ b& F( b9 b8 h/ |4 C  Y+ i& L2 U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。
- P8 S# ?$ Q2 P4 f! [
' b+ @7 M  B) y1 q5 C- E  X不要觉得自己上学时学的不是这个，or文科生，就不行。
/ C& F; }! U! L9 X, @/ I+ V江民杀毒软件大家想必都听说过。
! j. B: x2 Z7 l+ r$ D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。
, S: p, {, t, p: N1 J# z' U咱不奢望成为专家，写写程序总还是可以的吧？

) n. @# N; k. V! T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。
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。
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，
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，
" k& b% T1 K1 u7 v3 \, U没有慧根就别吃这碗饭。
) g- g( R; J+ W. V9 w
) }: Z6 h, H) T6 D9 L$ b6 j三、网站抓取技术
+ ~' i: w8 b3 i2 E; D! K$ h1、下载某一个网页，提取其内容
8 }; t, R& N# }  ?' 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
( i+ U9 Z& W# _! a
2、寻址问题
( O4 L, Y; G8 X# H/ B- a$ y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。
, Z# s) g# \5 g5 T, i) d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，
要把单词弄全，就要想办法得到每个单词的网址。
( D. N) y# N5 P& p. m7 N总结各主流词典网站，大概可以分为这么几类：
I. 事先有单词总表
; o& t4 J1 U8 y) ]比如http://www.vocabulary.com就是这种类型。
* G  ~+ T5 \/ Y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。
% c& S+ T& W/ e# n
" z4 H, s# Y  T1 ]" WII. 网站有索引页面
! d2 U5 m" Q' f* S如：
. j% R& \6 i/ hOALD（http://www.oxfordlearnersdictionaries.com/）
它的索引页在 http://www.oxfordlearnersdictionaries.com/browse/english/
) B8 @& w8 c' w! R% ?& yLDOCE（http://global.longmandictionaries.com/）
- o' p+ h, W) i9 D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/
) C4 |+ @# d4 @# n$ W3 |: c5 B等等
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. 
   5 }/ n- C; K! Z
2. urls = []
   
3. for someindex in indexs: # 循环所有索引页
   
4.     browseurl = ''.join(['http://somewebsite.com/', someindex])
   3 i: u9 v! `1 ?  _6 a% D6 n, \% r
5.     browsepage = getpage(browseurl) # 下载索引页面
   
6.     target = SoupStrainer('sometag', class_='target') # 抠出放单词链接的区域
   
7.     bs = BeautifulSoup(browsepage, parse_only=target)
   " M* l' ~3 p6 c7 u4 C' |+ Q% s
8.     if bs:
   
9.         for a in bs.find_all('a'):
   
10.             urls.append((a.string, a['href'])) # 取得该索引页上全部单词及链接
    
11. 然后：
    ; O* N1 E; }1 Y5 r& ?" N
12. for url in urls: # 循环所有单词
    
13.     wordpage = getpage(url) # 下载单词页面
    

复制代码

9 O9 d4 @9 \4 s3 g3 Z1 g
III. 索引页和单词释义一体型网站
. W$ t- o" N* `7 C; i如：Online Etymology（http://www.etymonline.com/）
5 P& y- H! [+ Z" ~7 t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

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
   0 A0 L# h  v( B- U' B
5.     target = SoupStrainer('sometag', class_='target') # 抠出放单词的区域
   , ?8 K8 Z& B7 F) f7 P  T
6.     bs = BeautifulSoup(page, parse_only=target)
   
7.     for tag in bs.find_all(target): # 循环抠出单词
   ) ]0 S  v2 ], v# T9 D. I" U4 Z
8.         worddefine = getworddefine(tag)
     q- B5 w4 s! l. h  q

复制代码

, B# ^; s- ?$ T$ Y1 G
IV. 片断索引型网站
如：
  G9 P1 u% E: g& sODE（http://www.oxforddictionaries.com/）
+ \* z2 J* ~( Q/ f每查一个单词，右侧边栏有个Nearby words
4 |+ H( b: x8 M( g6 v/ @8 A# |RHD（http://dictionary.reference.com/）
: H# [- J* _# X( T$ I右侧边栏有Nearby words
9 S7 u0 f4 E" ?9 w. BCALD（http://dictionary.cambridge.org/）
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。
0 v+ o  N7 M3 ?7 b: c& F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，
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）
) B9 v& ~. Q& ^+ F* O

1. 
   
2. cur = 'a'
   ) d: R5 N: T* R4 c- z
3. end = 'z'
   5 b& N" j- l/ l  ^- F$ ]! ~
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
   / C: r1 I+ \8 m& D' ^9 R' o

复制代码

1 @0 M9 e3 j/ G1 t0 L
V. 完全没有任何索引，那就没法子了
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
% V- Y  J- ~& D; |理论上也是可以的，就是效率差一点；
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。
8 t9 f% {2 Z: f9 ?: D
8 R: V9 s- z1 ]! G! n5 _+ d0 i3、提高下载效率
% m9 u3 g+ L4 ]% TI. 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。
! _, |6 Y1 L; d# n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，
& c- V* t- Z  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。
) n/ l$ X& H' ^: A; M3 B. F6 P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？
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，
& ?2 _, |; O4 T' N% ^6 _# l7 x  T

1. 
   + w+ K% y3 t5 l
2. from multiprocessing import Pool
   - ]  ]& `& ]7 `8 b; l: u0 U
3. pool = Pool(25) # 开25个进程
   5 S! y- f, F$ |8 e7 L" e5 U
4. pool.map(downloadloop, args) # downloadloop是下载函数，args是其参数
   9 F" @- o7 T! T

复制代码

! X& c' _; I  {这就搞定了。
9 W- @" T$ J) K4 C
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，
: d0 {0 ?# y0 s7 E- }' }/ D! U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
2 {9 x9 n4 e# N7 ~7 n, Q
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，
, ?# Q8 m- w1 P: h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。
8 s. p, b! }; P8 w8 ]: ^
II. 断点续传
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 ~) v  W- v6 V9 f" X8 n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；
- x- F1 \4 D8 E* B5 a+ i- y即便无法自行恢复，也得容易手工处理，不然可有的烦了。
& M0 b" T, G% a' ^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，
$ m" M2 Q8 E( A* S7 ?) k! x4 ^直到所有区块下完。

1. 
   + U0 g1 ?8 @6 g( l/ R8 O5 G
2. def fetch_a_word(part, word, url, data): # 下载一个单词
   
3.     word_define, failed = get_a_word_from_website(word, url)
   
4.     if failed:
   
5.         dump_failed_word(part) # 输出下载失败的单词及网址
   ( Y, L8 R: a# Y" X
6.         return False
   # Z& o9 g& u1 @. @
7.     else:
   
8.         data.append(word_define) # 保存下载成功的单词数据
   
9.         return True
   
10. 
    
11. def download(part): # 下载一个区块
    / |7 ?& q# |) k  S: J# v
12.     words = getwordlist(part) # 读取单词总表
    ) o: F0 T  \7 Q" |% u6 m
13.     if hasfailed(part):
    ; ?( ?9 s( r3 H, c/ w8 T
14.         word, url = read_failed_word(part) # 读取前次下载失败的单词及网址
    2 ?9 B  H' I4 W& Y9 W, m/ q( Q
15.     else:
    2 c5 u$ \$ l5 U# F) E% h2 s+ H/ I% S
16.         word, url = words[0] # 首次从头下载
      f! I* F6 V9 S7 ?5 d
17.     data = [] # 用来存放单词定义
    ; t8 X! P2 d$ ^
18.     while not_end(words): # 循环下载
    
19.         if not fetch_a_word(part, word, url, data):
    $ n" ]7 [+ Y4 s, k% Q  w5 U
20.             failed = True
    
21.             break
    
22.         else:
    
23.             word, url = get_next_word(words) # 准备下一个单词及其网址
    
24.     if failed:
    % n. e* E- M% p
25.         suffix = '.part'
    0 f, C" Q+ Y* Y, g/ v
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'
    ( i* |" ]  h/ ?' q  c' ]5 S$ q
27. 
    4 H" V$ M; i% e2 s- _
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
    2 ^/ h5 T* X' `* y$ T
31.     else:
    
32.         return False
    
33. 
    ! Z7 x  R1 g1 m$ y  N
34. def downloadloop(): # 循环检测未下完的区块
    
35.     finished = 0
    1 k4 s  t/ ~' i6 B# r9 H
36.     while not finished:
    
37.         nf = [] # 没下完的区块
    3 Z5 I0 T( H' V9 ]% [7 a
38.         for part in parts:
    . T! k; X& H; D2 y' Q! x
39.             if not isfinished(part):
    8 q- \& h# s# ~! _
40.                 nf.append(part)
    
41.         finished = not nf
    
42.         for part in nf:
    , M6 N/ q+ X" K3 X7 C( C' C4 W
43.             download(part)
    ! V5 E$ s7 z  H( t- J& \- Z" t

复制代码

  A) u7 j4 Y! C. i( C! l! T2 c& a
* P1 e- `" P4 V7 Q) c, q. FIII. 高速下载网页的小技巧
6 V" e* T4 ?, z# D+ [Python里面有三个库都可以用来下载网页：urllib2、urllib3和requests。
; a/ l8 V. j6 i6 C6 W. A8 n4 k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）
3 E( a: U/ a' C& e3 Y7 `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。
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，
+ Q+ }9 i1 V9 Z& N+ R" W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。
( h% t4 ?: p6 M$ f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。
3 Z# \5 \9 ?7 @0 [& E' e6 L! R; D' Q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，
通吃一切网站。
5 u* J# ~$ g* Q5 u7 |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：
9 Z0 x/ L7 |! J9 t6 K! qhttp://urllib3.readthedocs.org/en/latest/
http://docs.python-requests.org/en/latest/：

1. 
   
2. #urllib2
   
3. import urllib2
   
4. def getpage(url):
   
5.     req = urllib2.Request(url)
   
6.     response = urllib2.urlopen(req)
   : U! l" Z4 H5 r; V' p
7.     page = response.read()
   
8. 
   
9. #urllib3
   " k3 z5 |$ s7 ~+ u5 D* V4 W8 m
10. from urllib3 import PoolManager
    
11. http = PoolManager()
    ; a8 d9 t' G7 B
12. def getpage(http, url):
    - ?0 ]; ]. e5 E8 _( L& [
13.     r = http.request('GET', url)
    
14.     if r.status == 200:
    : I6 V- a; b5 u! ^' ^/ w
15.         return r.data
    
16.     else:
    
17.         return None
    0 u+ J: ]7 y. a. s- J8 P
18. 
    
19. #requests
    
20. import requests
    ! L) k0 H  y9 `
21. session = requests.Session()
    
22. def getpage(session, url):
    
23.     r = session.get(url, timeout=10)
    
24.     if r.status == 200:
    + B: e% X/ O. ^- Y, N
25.         return r.content
    
26.     else:
    
27.         return None
    ) G' `# ~9 H! i8 J

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。。。）
& t7 y4 e6 c- R) V% O6 g% {- x/ h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。
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）；
BeatifulSoup/lxml可以处理嵌套的标签型数据，普通文本则无法处理。
所以常常要结合使用。
6 |( x2 B& }9 M- v, F8 v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、排版
HTML、CSS的基础知识：
http://www.w3school.com.cn/html/index.asp
/ o% q/ Y) z; t  {% _: ~" ]4 _http://www.w3school.com.cn/css/index.asp
# |3 r$ W( X0 P$ w  Z8 qhttp://www.w3school.com.cn/css3/index.asp
' Z' @: s# k4 p* {非常系统、非常全面。
6 t6 |& v- E' c$ R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。

五、结语
" W( |$ f9 S0 x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。
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——
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。
+ I3 F) V: R! \6 V
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。

% w8 Y  l9 O2 ]: B% p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。
7 j1 T) y/ L7 M  {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。
6 \. i) e6 K! H' E虽然每个人都觉得自己至高无上，应当受到别人重视，
, l* Q' ]% O2 w2 w% ~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
. Q  q  _. X/ P! |: o* ~
9 j! A, F# ?& ?. U5 I
========
六、拾遗
+ E; K, P% \+ @3 U* T! v$ Q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
' C( [! s+ n# l  H6 g4 V! X确实如此
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，
; C8 a! S( z$ V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）
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）
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
。。。
* C: x, r* F" P! U. a4 w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）
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。
- [. i9 ]2 `, U: R, f( d* r9 \- T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。
' ]4 ~. \# [$ l' W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。
1 W" ]; H3 T4 R$ o$ T, {$ f; ]6 d

bt4baidu

Oeasy 发表于 2014-10-24 18:41
6 l2 N2 U, ^' J* Y8 }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 ...

( i6 x$ O3 ?( g" y: b现有的mdx词典，其实足够绝大多数人用一辈子的了
/ }+ z7 p7 ?" O3 c% X2 n
# O. O8 H% O0 `! O5 J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。

7 o2 b6 L* \, W. i8 Q4 D本人最常用的词典：
主力阵容：VOC、ODE、WBD。
2 d3 r$ g& v( D* a% X' O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。

1 R4 L, s% l6 e' b, e替补阵容：LDOCE、词源、短语8in1、韦小黄&韦小绿、Garner Usage。
8 \* ~( P  M: H7 D9 ~  F% u8 ELDOCE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；
1 C5 J; C+ R4 U+ f" U5 b( A1 Q短语8in1用来查漏网的惯用搭配、非正规用法；
- Z8 F0 P0 _7 g. _9 q( O: W韦小黄/Garner Usage用来辨析/比较同义反义、正误用法；
* e+ g$ z3 O, m3 H; D/ i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。

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。
0 F! s/ H4 m! ^& [- T6 o' s1 \1 ]6 }“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。
8 p7 B9 K8 L3 A3 @
/ t' q3 s9 v0 L& x4 {9 X+ X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。
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。
, `+ \, c2 X% V) `; e- r5 V

happlebao

针对

IV. 片断索引型网站

说一下。
) i6 B6 f0 j5 `- A$ I其实只是你没有发现而已。
ODE： http://www.oxforddictionaries.com/browse/english/
RHD：http://dictionary.reference.com/list/a/
CALD：http://dictionary.cambridge.org/browse/learner-english/
6 R/ ?% x$ o2 _/ [! G( {; Z7 ~
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。
' i) V$ W+ c9 U( b) V4 n以第二个为例：
inurl:browse | inurl:list site:dictionary.reference.com
2 ~& k0 m4 J2 b% \9 o6 r
PS：最近才发现这里，发现资料很多啊。
( ~% J9 L% r4 Y+ o4 g

bt4baidu

排版、修改他人制成品小技巧
, C" C. r5 S2 e! {
6 @5 T1 y/ S0 C7 o" S" `. N% h4 i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
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

1 B# P4 q. r# ]  M/ N. z1 P1、Goldendict里，在想修改的地方点右键，有个“审查元素”：
/ V+ X  {! d8 A! K  x* B. \

/ _5 f. K5 @$ V( E6 X- V2 r2、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

) r& @1 k1 A* E5 ~5 ^
6 [5 b$ u5 C  }7 O; 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

7 w; i3 w% e( F
* [7 @: ]8 W; `收工

Oeasy

0 O; Y8 l2 `. ]0 j$ H# k

. C- p. `( F9 w7 C. h9 b感谢楼主分享知识和经验。
% T6 N% O/ c; O4 |- Z" T2 x2 b# q
( |4 L& q3 }2 }2 ?- @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。
1 @% n$ A7 B  q9 o& g- `; C
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。

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。
( O9 I  M# Q, n$ ~$ X7 w2 k+ N
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。
; x$ D8 Z! Z  i* {: O6 d  a
# k* F  L) T- E3 H' m1 w( V
' F0 h7 L' v1 Y6 ]- t
8 k$ Q8 ]  b' O. Z7 W
0 O  ]( W0 Y3 \3 j# g& n  D% R: k

bt4baidu

Windows下制作词典必备的文本处理软件：

• EmEditor
• Beyond compare
  

* k' I6 J% o; S" \
前者用于编辑，后者用于差分比较
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
" V) Q2 ]& p# B" C7 n现有的mdx词典，其实足够绝大多数人用一辈子的了

/ ?& p0 \( i/ c* K本人前段时间制作、收集了不少，经过一段时间的比较 ...

肺腑之言。

bt4baidu

关于字体，请参考

. t" x5 O+ M/ K! b) m. l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
/ P9 `2 S5 g5 r4 q7 e5 W
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
0 ~# S8 W, L3 ]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
! }$ ~+ m% t- ~2 t; ~' |! _

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
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
( \# F, H* ?- k' C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

. U" y. B: e2 T/ L7 |
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

$ S4 M1 G. B" K. C: y& S: ?: N, E- ajava和.net就是个垃圾，我懒得提而已
在Linus这样的大神眼里，连C++都是垃圾：
http://www.csdn.net/article/a/2010-06-12/218785
6 {  q& J; B! a8 a# R% F
1 ^( P& j/ H, H3 [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。

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。
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。
2 x5 d2 ?/ q# u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？
) E$ i4 O0 v- f7 W因为垃圾代码太多了。
! J1 T, I& g# Q* Q% g, o3 z9 _6 R

& ^- s$ Y3 s, k7 r. |0 s+ z

meigen

算了，道不同不相为交流
想起某个梗
: v& {# P8 ~/ h. e& t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！

9 A$ t2 W8 ]! F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。
1 u" G# {9 Z( }1 y$ h! Y
& A& H7 d( C8 U: s5 `* j4 g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
2 J$ Z5 `) t$ y算了，道不同不相为交流
( a1 y. _! P5 Z  H% [$ {* U想起某个梗
: W; X. v( W8 ^程序员眼中的编程语言

& q. x; s+ S5 E, K$ E不同的语言适用于不同的人群：
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。
# \. ^( X4 \  {# t" o% c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。
" Z- D$ J  x2 H% S" L4 m# H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。
5 |& i8 x  }0 Q
- r! |; m8 w% {* F" Q& T+ E编程语言的口水仗永远也打不完，不争了
# S7 k9 S, }3 Z  P0 B9 B1 n

bt4baidu

大熊部落 发表于 2014-10-21 00:35
不赞成多线程抓网站，但是好贴子要支持！
  n# x! f% h  r
% C  b! H& P2 q- O; W. Z自以为是“文科生”的朋友们就别学Python了，因为这个世界上还 ...

下载软件？推荐一款？
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；
0 K$ e  z6 t. p" ?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？
$ F8 R  E# o5 ~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。
5 _0 K8 ]' c' r2 C9 @* }: s& U0 p2 j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。
: x  ]4 z% q0 \, a# F$ C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。
0 H$ P. K7 Y& E+ 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。
0 w7 V7 c3 |+ M" m! Z  R8 n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。
, h- e/ U2 j0 U. J; W

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。
未来会出现一个新的行业：私人计算机管家。
5 w! h6 |' ]+ F* |4 k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。
( B4 |: L6 |% Q# T7 g' a, V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？
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% ...

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。
/ \# }& n) @! f- k: |
: l% V1 y  }$ s# f0 t2 ]# J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。
( ]! @  n* v  \4 U, w& u
, b6 \; r7 g) N0 K# ]4 R- u: f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。

9 v9 H/ S' n0 ~3 ^: [- ~5 S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
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 ...

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
; j' z2 M5 P* H  F- _1 w8 u

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。

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。

0 n0 @. |- m, t6 H$ Y1 F
9 L- u+ u1 S9 {4 q) j2 n; Q4 _8 t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
计算机是用会的，不是学会的；
程序是调试出来的，不是写出来的

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。
1 q) t3 ]  \: K) s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
4 f$ b& l+ @+ Q& W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。

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