【史上最全】在线词典抓取、制作技术汇总

bt4baidu

! s4 Z% N4 o8 e2 z8 s1 }/ R5 T
; ?" M: U3 @; W) e! [$ O; U这篇文章主要是给计算机小白和初学者扫盲。
/ [7 n1 }: U+ e% o$ n) d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。

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。
8 p( ^0 F' q* _; X6 L* _/ D) x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：
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；
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。
( W  y" Z, v3 v8 B- \1 H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。

: R; }# ~& q0 @. |0 C3 r7 Z" o4 {那么要写出程序，立即就会发现不得不解决两个问题：
1、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。
4 {+ B$ C7 }  o9 d2、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。
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。
5 Q9 L9 N9 n5 m下面的讲解也会以这两个问题为核心展开。
  ^- M: ?! w4 Q  j- {4 ]) ?
4 o) \3 P, X! O* {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，
——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。
5 l% E, ~- i4 i' U9 p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。
4 I3 ]" r: @5 r' C8 [8 D- b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，
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。
  G# G8 z0 H. T! }* K; m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。
7 h, B& k6 _' Q
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。
$ f! Y/ x- z- y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。
* W' C/ h# F0 i2 J; F3 s" M咱不奢望成为专家，写写程序总还是可以的吧？
$ W) _# e! p  ?" j
8 s2 z3 u; d9 }' R% O; ^  y二、采用何种编程语言
3 y* P& s) j: Q3 E上面已经说过，存放、读取、组织、区分数据是编程的核心问题。
6 a: h/ B& v, P$ H2 F2 N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。
* N, n9 F/ u7 c# W- o& `1 K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，
! o; `% h+ A3 ^3 V( K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，
! G3 {3 |& Q+ O2 y0 M; c没有慧根就别吃这碗饭。
' g' w# O8 l* U( X
, y7 T$ e: Z9 J6 Y4 [; l三、网站抓取技术
1、下载某一个网页，提取其内容
$ P7 B; ~% ^5 ?7 u以前写过一篇，就不重复了。参考：
8 a: T) d/ E5 w0 J4 ]% O$ o% _用一个简单的例子讲讲怎样从网站上扒数据

2、寻址问题
6 K8 W6 t4 c6 u8 R  g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。
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。
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
0 S6 _& e6 `" U& D' Z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。
# q" w: N$ }8 R/ H$ T6 @
$ l/ H7 H, y3 D3 uII. 网站有索引页面
8 N" @( W% u9 W9 ~如：
OALD（http://www.oxfordlearnersdictionaries.com/）
它的索引页在 http://www.oxfordlearnersdictionaries.com/browse/english/
: V  D9 O0 |+ Y8 y* KLDOCE（http://global.longmandictionaries.com/）
, z* I! t" b7 k9 L  r采用框架结构，左侧边栏就是索引页
$ A  y5 M% y6 T% N" cMWC（http://www.merriam-webster.com）
索引页在 http://www.merriam-webster.com/browse/dictionary/
等等
1 a0 p4 X( z. f# I! K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。
: H6 ^5 v" m) l

1. 
   5 e8 E+ z4 K$ ?  b; O
2. urls = []
   
3. for someindex in indexs: # 循环所有索引页
   
4.     browseurl = ''.join(['http://somewebsite.com/', someindex])
   , f" e3 I  O, N/ |5 J* m: O! q
5.     browsepage = getpage(browseurl) # 下载索引页面
   3 l/ h; E# {" E. d" L3 R. T
6.     target = SoupStrainer('sometag', class_='target') # 抠出放单词链接的区域
   " ^( V# v. k7 W% _
7.     bs = BeautifulSoup(browsepage, parse_only=target)
   
8.     if bs:
   9 ?# m) q; C. K* q7 V1 b! [
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
      `4 }6 R, o) F" T7 \6 c" n6 ^
11. 然后：
    # u1 h' e" G4 c
12. for url in urls: # 循环所有单词
    : e" V7 Y: c4 a7 ]
13.     wordpage = getpage(url) # 下载单词页面
    0 r: a) Y; b# v  @8 b9 Y

复制代码

# K# U& ~1 e& y  h7 hIII. 索引页和单词释义一体型网站
2 C% h) s: J0 i) ?7 a0 j% P$ P如：Online Etymology（http://www.etymonline.com/）
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
   
5.     target = SoupStrainer('sometag', class_='target') # 抠出放单词的区域
     T, J/ V$ G( A9 D6 Y7 y5 |
6.     bs = BeautifulSoup(page, parse_only=target)
   . b6 C: Z  {: m6 d
7.     for tag in bs.find_all(target): # 循环抠出单词
   
8.         worddefine = getworddefine(tag)
   : u6 ?+ o/ j) A" ^4 j% \2 A

复制代码

/ ~3 B+ ~! {! B' N$ H8 f" }/ S; F
  u/ I% C6 R& ~: |+ J" UIV. 片断索引型网站
2 |% _( A, r9 E$ i1 p7 e如：
2 R# q+ U, i, M) s1 k% I8 G0 L% GODE（http://www.oxforddictionaries.com/）
每查一个单词，右侧边栏有个Nearby words
' y, h5 s" K; Z2 i- YRHD（http://dictionary.reference.com/）
4 _. u5 p, F/ \3 y右侧边栏有Nearby words
CALD（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 Z7 h! `6 f5 s- O2 _% P% W& a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）

1. 
   
2. cur = 'a'
   + a2 g( ]. q7 W" w. q0 U% H0 |
3. end = 'z'
     R9 }1 |( W  Q, ^& x* r" ]# \
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
   

复制代码

V. 完全没有任何索引，那就没法子了
0 q7 C7 w& g+ \$ U1 w* w; i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
: Y4 h# U4 \) s) C  g4 ^理论上也是可以的，就是效率差一点；
+ V5 n/ ?- d) d3 J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。

7 w7 Y1 \. y- X- f6 Z3、提高下载效率
2 W1 ]6 K5 p2 \$ mI. 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。
8 n% a' O# d7 Q- Z) {实际抓网站时，这么做效率显然是非常低的。
( j" `+ X) J  I4 }6 Q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，
, R) z2 T8 X- b: i有些网站还经常抽风，半分钟下载不了一个单词，那就更慢。
' ^: F* p. L$ o7 ]! T! n5 U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。
) e' q, s' e7 M, p2 s5 k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，
& A7 ?" F0 E" _0 S/ C2 q

1. 
   % \8 [' n. s+ W$ n
2. from multiprocessing import Pool
   
3. pool = Pool(25) # 开25个进程
   8 L$ `! J5 p; K3 Z
4. pool.map(downloadloop, args) # downloadloop是下载函数，args是其参数
   , O3 E: N) X; u/ H

复制代码

' u! x* S% v' u$ p2 V7 V/ y- R  ^! b这就搞定了。

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，
* o/ j2 h+ j6 @4 U4 r比如('a', 'b'), ('b', 'c')。。。这样划分若干个区间下载
  a8 P1 V8 x: W" L* B* c: S- g; s
1 }4 N' L6 q$ }, p初学编程的人，一碰到进程、线程，常常有种畏惧感，
% s& d" g* h2 y" E看到同步锁、共享内存、信号量什么的顿时觉得头大。
: U: N) [9 Q  ~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，
. K5 r" O* ?3 b, F3 |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。
: j7 X2 u: U7 j- v1 L3 L
: |6 `/ a& d: {7 gII. 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。
, b; y3 b7 }0 Y# _0 Q2 |% w- ]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；
7 v/ E: h  N* j9 H2 S# I6 S8 @即便无法自行恢复，也得容易手工处理，不然可有的烦了。
# X; W: t4 t+ N1 j3 W! k8 E7 i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。

1. 
   
2. def fetch_a_word(part, word, url, data): # 下载一个单词
     x( r* b8 l& v
3.     word_define, failed = get_a_word_from_website(word, url)
   * s7 L. ?# h5 M4 o
4.     if failed:
   
5.         dump_failed_word(part) # 输出下载失败的单词及网址
   + J$ f7 z, H  M! C+ X: w7 |
6.         return False
   # M! Q# Y; C8 `. J$ z0 x
7.     else:
   
8.         data.append(word_define) # 保存下载成功的单词数据
   3 J7 v: E7 q* |/ s. g% o% a! O
9.         return True
   7 A7 I6 [; \3 Q2 _0 a# {
10. 
    
11. def download(part): # 下载一个区块
    
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
      V3 k- r2 z- S/ P7 J$ \. h
15.     else:
    
16.         word, url = words[0] # 首次从头下载
    ; K+ O! f7 ]0 y& {  s4 Y0 m2 G
17.     data = [] # 用来存放单词定义
    ' @5 ^9 H1 m' G* J2 y
18.     while not_end(words): # 循环下载
    ! N8 [$ C# A$ U4 X# J  D
19.         if not fetch_a_word(part, word, url, data):
    
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:
    
25.         suffix = '.part'
    ) }5 y6 p. M, T% i6 g
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'
    - t5 d) B; b2 B; K' ~
27. 
    % p# }. [9 r+ p# o4 Z  ?
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
    " m7 X: O1 L7 Z2 i# i
30.         return True
    
31.     else:
    0 ]) N, `# y1 X- b! i6 x$ w
32.         return False
    ( Q& D. T0 k- Y% j, v  Y0 X
33. 
    % S/ a- |! S5 i% O
34. def downloadloop(): # 循环检测未下完的区块
    ) p6 N, a7 F- ]
35.     finished = 0
    # r" A+ t6 l& O1 O) G
36.     while not finished:
    % ~" W' Q5 ^* _& j; @8 Y% B
37.         nf = [] # 没下完的区块
    8 n  E, p" H/ {4 I6 i5 W
38.         for part in parts:
    + |$ a! X  L* H1 e' ^; M
39.             if not isfinished(part):
    
40.                 nf.append(part)
    : x/ \1 t' B) Q% A) d. D" o
41.         finished = not nf
    / Y9 z; `! o; `  g* A0 a9 o' H! V
42.         for part in nf:
    + _: m+ \) ]5 a6 D
43.             download(part)
    0 f8 l4 P, X5 p2 N0 |3 M+ J# Z

复制代码

: {8 z/ _3 ^- G) F- F' e
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。
# Z$ Y! D! k( \; c" C- o6 |8 f3 T（似乎Python3已经把urllib3收编为正规军了）
这三个库有什么区别呢？
. F7 v8 ^4 j8 J3 H6 |5 L' H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，
7 O5 q% s: L* `% f9 _6 @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。
+ i# N/ n0 h: \  z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，
% W/ C  E) w% `. P, h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。
0 Q, y$ b9 `! N: Q+ D5 j, E1 |, `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：
http://urllib3.readthedocs.org/en/latest/
) R! L" {' G" R' @: ghttp://docs.python-requests.org/en/latest/：
. u& \2 J; ]' h5 S- b! j$ g1 z

1. 
   9 i2 \6 l7 k7 ~8 p
2. #urllib2
   
3. import urllib2
   
4. def getpage(url):
   / g% m3 G& O; X1 h; c3 ^0 ^' d0 y' J
5.     req = urllib2.Request(url)
   
6.     response = urllib2.urlopen(req)
   
7.     page = response.read()
     j/ F5 j! q6 O% C9 P
8. 
   6 K3 O' o: g0 g) D6 D: B- y# E, i
9. #urllib3
   
10. from urllib3 import PoolManager
    
11. http = PoolManager()
    ( j$ \7 J: l5 ?# }
12. def getpage(http, url):
    
13.     r = http.request('GET', url)
    4 U2 S) f( n1 T9 Y- B! q- Z
14.     if r.status == 200:
    / j/ X1 b2 K* u
15.         return r.data
    
16.     else:
    
17.         return None
    5 R: H+ E; J# J7 e% y
18. 
    8 ~% I* f) r1 j8 S- j3 v
19. #requests
    ; D) D% {) P  W9 Y
20. import requests
    , H2 ~! P. W; a  P% I% X
21. session = requests.Session()
    2 u: L6 M$ T" k9 N& t' U
22. def getpage(session, url):
    
23.     r = session.get(url, timeout=10)
    / Q% h; `/ {6 T: k
24.     if r.status == 200:
    
25.         return r.content
    ! q; L8 \8 a. s: E1 M2 O: J  L- P
26.     else:
    
27.         return None
    9 y, S4 ~) k8 g, R0 d

复制代码

5 y5 ]9 [% a2 U& `- D# s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。
" G) H  x6 I# D4 ]1 J+ |- y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。。。）
, ^- ?  Q7 s6 l& m% |( D. 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
, m5 X. V- X- m# }* {9 e  W1 ]  \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）；
9 L" [( Z+ j* B7 F- K0 W/ F. kBeatifulSoup/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。
% [/ X. g4 o0 @& X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。
# x* F4 H/ F% A8 k5 S* Q
2、排版
HTML、CSS的基础知识：
http://www.w3school.com.cn/html/index.asp
, b8 X7 Y7 ^& x; F& r8 P2 {http://www.w3school.com.cn/css/index.asp
* i- I3 a& z$ k1 Q% fhttp://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。

五、结语
* t/ n5 ^8 x" \; {4 V1 u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。
* {) r  l, q  V- n+ _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——
+ a' |( b2 F& \2 `1 E- t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。

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。
) a1 `3 k2 Z1 y0 \1 Y. H7 n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。
* O* {" {; k8 V# L  }# \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。
虽然每个人都觉得自己至高无上，应当受到别人重视，
% X# D* u7 y9 \- q; J( h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


========
& I8 q8 N/ O! d) j! z& _六、拾遗
( N! g  }; `8 t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
1 \. e$ ]& C) n( I/ T确实如此
5 O% @" B- N3 g0 x不过这里只是举例而已，不用太较真啦
* Q' n. Q9 a/ c  V3 m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。
$ m) i1 l4 ?1 C: y2 }# o即，
9 Y. q4 K7 O- r* J. ~, {3 T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）
( T. q! p: B6 p/ ~  n3 i/ }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）
/ P5 H) S9 ^, j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
。。。
  k( k+ J# L6 ]1 c+ K, w1 V* e; S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）
- S7 E5 a3 \& Q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。
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
5 I+ ~- O9 Z- G7 X感谢楼主分享知识和经验。

0 y+ N- x5 C- N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 ...

现有的mdx词典，其实足够绝大多数人用一辈子的了
  {- J% S! q2 c6 q7 {$ k* u- I
* @: Q3 Q/ j3 _& N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。

# o; @# R# j/ J" u7 Q: d本人最常用的词典：
' O" r7 `1 l6 O主力阵容：VOC、ODE、WBD。
8 ]5 K) Z  |* Q7 i' 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。
4 j' N* ~& z, _
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；
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。
* M0 T7 ^. `2 E; w4 _! g5 M
: m9 W0 P/ M  J0 ]' b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。
1 k/ W1 a# g# t# P- N3 I+ M1 N4 j“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。
( q& \1 ?+ s. g/ t, P% b
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。

happlebao

针对

IV. 片断索引型网站

说一下。
3 T5 F6 n, L, @0 R7 k+ o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/
8 m- ~  b  {. m: z2 _" \+ Z# o3 `CALD：http://dictionary.cambridge.org/browse/learner-english/
& O+ k1 \8 N' C- U% e
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。
( f) h9 j7 B; I( p以第二个为例：
inurl:browse | inurl:list site:dictionary.reference.com

PS：最近才发现这里，发现资料很多啊。
: x' n4 e& N' }

bt4baidu

排版、修改他人制成品小技巧
! ?- ?4 E& J+ `+ _: a4 ?3 x
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
! {5 D; G5 j; C1 G4 R2 K, ^% H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
' _/ h! g  a+ Q( J5 t5 D* v/ Z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。。。
! ~' q" o2 R7 r% m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、Goldendict里，在想修改的地方点右键，有个“审查元素”：
4 R; }7 ~: U" C

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


3 b- S; o' D" Z6 f1 {$ Z3、修改就用Gettext等工具解开mdd文件，然后打开css改相应的地方

4 F  y! [/ _, t% f0 W
2 n& q& m, x; z! \收工

Oeasy

( L6 J1 {, S3 \

/ Q; j2 u5 o* H) X2 X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，同时也要珍惜别人的时间。别人没有帮助你的义务。
( y% |! ]) J! ^" C7 ~' R) O
! v( H! f. M3 r! Z% e; F3 z1 g* v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。
- z4 s5 `2 f  v- s7 n0 I- q; A! o
) ?8 f! e; c  @+ p3 C6 {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。

$ u" p7 u8 `9 I0 k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。

6 {7 z; ?! U# R4 c) ?- `# \
) K5 X* j& G: Q* J- x8 J
  Q3 g; v( E* J- U9 h7 }. p
& H' q* r! J' ^3 M/ a! b* G4 i; E! |

bt4baidu

Windows下制作词典必备的文本处理软件：

• EmEditor
• Beyond compare
  6 J- d  i6 X) q; X1 S: j5 f9 Z

前者用于编辑，后者用于差分比较
2 W$ l4 |" r- o+ h, [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
* R) A: s: K# `现有的mdx词典，其实足够绝大多数人用一辈子的了

$ g  T! b' Y. H; j; l0 D9 P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
' q/ B  t' J) _* E3 s+ [
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

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
! _3 T" a  h1 M* Q5 s这几种字体在Windows、苹果OS上显示效果都不错，字号也比较全
- Y# ~% N" q. }% Q$ c2 i6 p另外Open Sans字体也挺漂亮

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
! N) [, w. A( u  j% ^' 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 ...

感觉找到适合自己的问题好少啊
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

$ G1 I% }+ ]7 l( J- T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

java和.net就是个垃圾，我懒得提而已
! R7 g( F* S2 L  j8 Y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

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。
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。
3 i7 y; O& K$ e0 y. I: C# Y/ X3 |$ R4 a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。
* B1 t& x3 w% d" Y+ e5 @! @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？
& M: O8 n1 O6 z& X+ H因为垃圾代码太多了。

meigen

$ A* u" t0 Z: n; m

- ^, _7 D1 ]" F) Z5 O8 b5 p, `) \算了，道不同不相为交流
: `9 V. t! s- ^* H/ U  ~  |想起某个梗
3 l4 @  ]- u9 e- x& S( p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！
1 D" Y- a2 Y6 Z# h6 W0 I
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。
" }0 W+ t; w7 L: V# Z
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
& l% h, R( H9 i1 U! D程序员眼中的编程语言

+ F" ~: O& I9 h8 O不同的语言适用于不同的人群：
. G( x, U: j/ X- z8 D7 p  t7 M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。
7 n; B" I! X# x: O8 I6 Z1 @
编程语言的口水仗永远也打不完，不争了
' A3 u5 Z  `9 F5 j

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！
7 u6 [% g- ~7 r3 N8 `
: w( p) |: L7 c' x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？
: i  i* N3 G! I; 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。
5 x, U6 j* C9 S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。
! D4 I8 D' l- Q9 S0 e: 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。
2 n7 [" c# p8 @. d/ G
. H4 Z5 A/ I2 G+ F' V; V. X$ i% A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。
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。
5 g. I8 t. b6 ~1 ?2 J2 z

bt4baidu

本人做个大胆的预言：
! n, L" M% G2 d4 S2 m& B# Q& C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。
' p" S" [4 O: {  ?) \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
$ E* O! e- d' h2 N7 A' |% S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；
5 h0 Z2 H% t& r7 s现在99.999% ...

: s0 ?0 G1 ^+ `+ }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。

+ }0 m8 Y, K! Q% B6 i' \; y( E: b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。

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。
) X* E( A* q, t0 o/ x$ w. y
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 ...

! X( k7 R6 B1 v: E1 w/ M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
4 V* t* T3 u! [; {, W  E* t; v

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。

# t% s  F, ?  U7 C) k8 q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。

- V. O  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、做一些不痛不痒的练习，效果甚差
6 x/ i" M; c/ D3 m- K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
. ^: e! `9 S3 ?2 f0 `  R
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。
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
8 j. L, `1 D$ _0 y$ y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 ...

8 W# X, @# c" Q% d) {+ G5 `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。
6 R/ g& j6 \8 ^  y! D; r4 v. T
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