【史上最全】在线词典抓取、制作技术汇总

bt4baidu

$ e3 n8 Z7 G/ }, L- W
这篇文章主要是给计算机小白和初学者扫盲。
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
* L, I% O0 b; i2 [( [2 Z6 P$ j1936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：
, `2 k. T1 {) f# I/ j# ^$ u; D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；
+ ^! l3 X7 V( ^% b) N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。
  {7 ~2 k6 U3 Z" H“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：
  J! h- A9 s: ?; ]7 [, u1、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。
, _" |0 V+ V6 m& f2、怎么把两种方格区分开？也就是特征识别。
& m# N% s1 E  k3 P这两个问题，就是计算机的终极哲学问题。
- @3 q! M2 ?8 Z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。
- I: B, D' g# V. c) g/ o5 e下面的讲解也会以这两个问题为核心展开。
  M0 F- j: l* V/ Q1 R+ v; G  L
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。
3 Z! x. y( ]4 b. d: ?8 _+ o. r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。
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，
2 U! _& y$ N; ?& O; m; B: X2 r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。
9 D  S  b3 E* u! X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。
! \: c$ P7 J/ L" I
不要觉得自己上学时学的不是这个，or文科生，就不行。
  C8 A" f5 v# x$ \5 P# u江民杀毒软件大家想必都听说过。
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？
& A3 C# [$ g0 H  W
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。
1 o% h# F4 X+ ?1 c5 N: }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，
/ v& E- Y- Q+ ]/ n5 b没有慧根就别吃这碗饭。
4 s( k- w9 J( M4 B& s
三、网站抓取技术
1 C; o+ Q( F" W* Z6 }6 Q1、下载某一个网页，提取其内容
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

2、寻址问题
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，
+ X% v  H5 g; L% [( g$ c5 f要把单词弄全，就要想办法得到每个单词的网址。
6 z- Q$ l( m( u' q总结各主流词典网站，大概可以分为这么几类：
6 d& \4 P4 W  Y! h# U0 r: x/ TI. 事先有单词总表
( a% N% b. b2 s% k3 o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。
7 i5 U7 c( }1 w8 k" z# d5 Q: o, K$ o! i
II. 网站有索引页面
如：
OALD（http://www.oxfordlearnersdictionaries.com/）
. ?0 `: l* ]* e0 n- ?! Y它的索引页在 http://www.oxfordlearnersdictionaries.com/browse/english/
LDOCE（http://global.longmandictionaries.com/）
采用框架结构，左侧边栏就是索引页
3 K, k+ H* j' k% }  l' Y0 z5 b( n$ HMWC（http://www.merriam-webster.com）
索引页在 http://www.merriam-webster.com/browse/dictionary/
. g* Y5 W, N( H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. 
   9 j5 x. K$ y: _9 c) V5 v' Z; z! j
2. urls = []
   ( d, U, Y# ?5 K7 y5 W; C
3. for someindex in indexs: # 循环所有索引页
   
4.     browseurl = ''.join(['http://somewebsite.com/', someindex])
   7 d( O; L4 D8 y7 H/ [+ H, o- h& F% s
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
   $ Z/ b4 I  L( J2 V9 @8 ~& M
7.     bs = BeautifulSoup(browsepage, parse_only=target)
   
8.     if bs:
   
9.         for a in bs.find_all('a'):
   7 E' f9 O) B# r1 x/ I- x* g+ n
10.             urls.append((a.string, a['href'])) # 取得该索引页上全部单词及链接
    
11. 然后：
    & [# v# ~) O/ L  D" D8 W
12. for url in urls: # 循环所有单词
    
13.     wordpage = getpage(url) # 下载单词页面
      ]. z6 a! w2 l

复制代码

" T/ V% [, O" O! b9 V0 o- r
III. 索引页和单词释义一体型网站
& D7 Q$ F& }7 K  \如：Online Etymology（http://www.etymonline.com/）
$ `% n- ~  s5 t4 Z0 o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])
   1 Y8 `  p) ~+ o, |, k4 C
4.     page = getpage(browseurl) # 下载页面
   
5.     target = SoupStrainer('sometag', class_='target') # 抠出放单词的区域
   ' t/ F' L* L& k; R
6.     bs = BeautifulSoup(page, parse_only=target)
   
7.     for tag in bs.find_all(target): # 循环抠出单词
   % L/ F5 l- }/ r$ P5 V$ O" H
8.         worddefine = getworddefine(tag)
   

复制代码

4 z6 v, D: E3 o& j! G
0 \; E% U$ d3 L3 E- V# @- tIV. 片断索引型网站
; f) ^- x# M7 t如：
8 R3 u4 T* u- dODE（http://www.oxforddictionaries.com/）
7 w% u- A# A! _5 Z3 ^2 W( s1 W7 Q每查一个单词，右侧边栏有个Nearby words
1 A/ |3 c* v' M) f+ U& f3 }( M) IRHD（http://dictionary.reference.com/）
右侧边栏有Nearby words
; R3 e7 e4 x0 @% c& tCALD（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。
4 T7 t6 `/ D1 x! c3 l2 K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，
7 c, p9 t  l, I4 x; Q% u6 ]1 n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 ?& M' M3 U0 d5 r9 c" ~

1. 
   
2. cur = 'a'
   
3. end = 'z'
   
4. nexturl = ''.join(['http://somewebsite.com/', cur])
   4 \2 p  i: }2 R8 \$ G0 g1 e$ n
5. while cur!=end and nexturl:
   
6.     page = getpage(nexturl) # 下载单词页面
   * y% c1 q$ W: A" ~
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

1 \3 m; ?3 O$ c, ^- \V. 完全没有任何索引，那就没法子了
$ a: W' m/ ]4 n7 o/ P& f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；
2 g* X* ^- {! ~5 |, s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。
* T  w* o7 a, S1 b" a. ]
1 {' ?3 y$ ]8 x! h3、提高下载效率
I. 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。
2 C% m7 ?4 S  m3 N. J, h& r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，
有些网站还经常抽风，半分钟下载不了一个单词，那就更慢。
' `& K( H' [  u8 n6 h0 h7 Y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？
+ D. D: X& O/ o" c3 Q  Z  E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。
/ s9 r. l& Z2 d, Q6 H- Z& n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
   5 D5 k$ X8 |4 s, Q
3. pool = Pool(25) # 开25个进程
   ! }9 Q  J6 b2 M8 `7 G5 k
4. pool.map(downloadloop, args) # downloadloop是下载函数，args是其参数
   4 D, f' e5 e8 {! }

复制代码

; \2 V# F( B. c4 a9 Q5 W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，
9 D  Y: ?. s7 r$ ~# Q) v0 h关于IV.，事先没有单词总表，就只好采用区间的概念，
  D* j0 E! h7 `比如('a', 'b'), ('b', 'c')。。。这样划分若干个区间下载

初学编程的人，一碰到进程、线程，常常有种畏惧感，
3 }1 K; W% P- T3 [: V$ b4 a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，
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。

1 ^2 B, x/ ~- u9 ^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。
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；
# ]8 J8 f+ T5 B% ^3 X: E! X即便无法自行恢复，也得容易手工处理，不然可有的烦了。
9 z7 L! }' _1 I6 N, R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
   9 [) q4 C# X% o: Z) w* l$ W
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
   
6.         return False
   5 a1 C0 e; x  b1 p! J- S
7.     else:
   4 Z1 K2 J+ D/ ?& u3 s
8.         data.append(word_define) # 保存下载成功的单词数据
   
9.         return True
   
10. 
    ( f& Z0 H" R8 [/ }; r( V% c4 [- x. E
11. def download(part): # 下载一个区块
    * Z2 O7 s+ B2 N; [7 g
12.     words = getwordlist(part) # 读取单词总表
    5 b( ]+ w& R' Y# N- V9 X& X4 h0 E
13.     if hasfailed(part):
    4 ~* Y1 V. A- }5 N) N* U6 i5 M
14.         word, url = read_failed_word(part) # 读取前次下载失败的单词及网址
    3 y/ `" X& Z& j8 ^4 w, L
15.     else:
    . ]; E5 `% F- B) C, i, E8 y
16.         word, url = words[0] # 首次从头下载
    4 @4 A* Y4 H! W6 b% G
17.     data = [] # 用来存放单词定义
    9 |7 E2 U4 @2 T8 R
18.     while not_end(words): # 循环下载
    
19.         if not fetch_a_word(part, word, url, data):
    
20.             failed = True
    6 ]! u2 H2 V2 ]
21.             break
    9 `; v' R. o5 v0 s+ L
22.         else:
    
23.             word, url = get_next_word(words) # 准备下一个单词及其网址
    4 w3 H. b& ?; Q3 k' |8 v4 c4 y, W- ]
24.     if failed:
    - d, G! L6 x4 y$ p1 P1 H+ S
25.         suffix = '.part'
    ) t1 i1 ?! o0 h: {% P' m1 A
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'
    / ]# d4 N% h6 I. c( j1 W* M, s
27. 
    - U2 N" k% H! u
28. def isfinished(part) : # 判断某区块是否下载完成
    % a) d4 R  K4 Q5 t4 I  d- p2 E
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
    * O6 _8 H0 K5 M! S: s7 e( b
30.         return True
    2 Y  n& V8 ]- D! k. m' H$ W4 v7 s* Q
31.     else:
    
32.         return False
    : ^5 A$ e/ p: c3 h5 r* W, \" c- L
33. 
    8 b2 d1 b" B3 z) K8 ?5 p9 x! U
34. def downloadloop(): # 循环检测未下完的区块
    
35.     finished = 0
    - o% ^* E* h( c" ?0 e# L0 S2 a
36.     while not finished:
    1 O4 T1 Z( s/ k1 J2 C; F3 c8 E4 e. f7 `
37.         nf = [] # 没下完的区块
    " m9 D$ x% E: x" ?% n
38.         for part in parts:
    
39.             if not isfinished(part):
    " u& j5 C7 e; Y. N
40.                 nf.append(part)
    
41.         finished = not nf
    
42.         for part in nf:
    + y. k* ?" v! \$ k6 T( c
43.             download(part)
    + X- s. ]4 y0 F7 ~( d! e( x

复制代码

6 Z& a% I! R; r. @+ Z
* |. d  [6 w4 `6 T9 MIII. 高速下载网页的小技巧
: O4 P# I8 S& ]; Z/ \: PPython里面有三个库都可以用来下载网页：urllib2、urllib3和requests。
1 I  t( _( B+ N其中urllib2是Python原生的，urllib3和requests为第三方库。
, Q1 M* A% n( ]3 I% @7 ~8 @/ D% s（似乎Python3已经把urllib3收编为正规军了）
! V8 d9 ~/ I6 r这三个库有什么区别呢？
7 f) K/ S  x5 s4 Q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。
8 }# P) b0 E/ T4 d6 Q+ r* O9 G: R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，
" |, _8 U2 N- d# l% t* ?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。
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。
  V0 ^' `: @8 ~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。
0 B( y. t* Z6 G+ {7 s7 F3 S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。
3 Q9 ^' J6 B% U# N4 h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/
http://docs.python-requests.org/en/latest/：
1 x" \' o% S  Q# |$ F' @, j/ L5 w

1. 
   
2. #urllib2
   
3. import urllib2
   
4. def getpage(url):
   . g  U7 x4 C$ f  I1 e0 O$ I  d
5.     req = urllib2.Request(url)
   
6.     response = urllib2.urlopen(req)
   . a) b! Z9 Q8 ?" s2 C
7.     page = response.read()
   
8. 
   % y0 c/ N$ F/ |+ D! I
9. #urllib3
   
10. from urllib3 import PoolManager
    6 Q& T4 d. l. ~; T3 Z& r
11. http = PoolManager()
    
12. def getpage(http, url):
    
13.     r = http.request('GET', url)
    
14.     if r.status == 200:
    . \2 y( g5 f* V, {; y
15.         return r.data
    
16.     else:
    
17.         return None
    
18. 
    / M+ J& F+ u3 M/ \% c+ [
19. #requests
    
20. import requests
    
21. session = requests.Session()
    . G) I9 C  g; Q! q/ X2 z6 B" l4 S
22. def getpage(session, url):
    7 u1 ~( V0 B- f. u" @! p  |
23.     r = session.get(url, timeout=10)
    
24.     if r.status == 200:
    
25.         return r.content
    % _6 l3 V  G4 o9 {1 r
26.     else:
    
27.         return None
    

复制代码

7 G8 J) ?- r. N) m! }0 e% s四、后期制作
1 q6 g4 q! T8 t0 {1、文本处理，是个特征识别问题。
* q" K6 Q4 o5 a$ ~# H6 ]1 e# N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。
& j; a3 @7 [  C: K9 l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。。。）
5 e6 n) @1 a" c1 ~4 r都涉及到特征识别问题。
4 \& r1 C# K4 H) T相比这些高难度动作，文本处理算是比较简单、基础。
! @% j/ A/ C% TPython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。
0 d' T, m- B8 {6 o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。
3 ~6 P, m8 j! t2 _" J- s
2、排版
# {8 Q& U! b, m* l( k9 NHTML、CSS的基础知识：
http://www.w3school.com.cn/html/index.asp
" }7 o+ R6 q2 E* J6 I" J3 mhttp://www.w3school.com.cn/css/index.asp
http://www.w3school.com.cn/css3/index.asp
5 Z8 _9 u9 e) a- y非常系统、非常全面。
8 w& J% e. F; a4 ]( g# z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。
% [) `' X4 E& _! z2 g) N& y3 X
- t. T. U- T4 Q7 c1 W% W% }五、结语
- c# u: \8 B/ q5 V$ X9 k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。

+ W  w3 |, a3 G; v$ G" g- d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。
7 J% l' F  c. x# H4 q9 \
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。
虽然每个人都觉得自己至高无上，应当受到别人重视，
. U0 v( h, p$ |0 h, k6 q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
: R+ W  K$ F4 b- Q' ~$ L

========
, L% j' v# A0 I6 |7 ~3 ^1 _3 @六、拾遗
& r: E" n* A) q; t1 S& F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
7 b5 S7 C0 R) f9 e  ~( @, s确实如此
. t; @+ V( _# @# u& a8 H6 @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
% L* N* b4 w) H# h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，
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）
0 V  @+ h& \4 J2 `% M  |; J1 M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）
0 Y5 x+ R  }" g* j; J- D% n0 z4 K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）
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。
- w% r- C- \1 j6 z: ?/ q

bt4baidu

Oeasy 发表于 2014-10-24 18:41
感谢楼主分享知识和经验。

9 Y- L* B- _' Y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 ...

' ?( o" B( F& t! C( k1 d# A现有的mdx词典，其实足够绝大多数人用一辈子的了
2 f; h, V  \7 s7 ?% w) ^
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。

) Y# a1 @0 D6 W2 ]) U本人最常用的词典：
3 @+ }, L1 G' H. z! [% U6 ?+ z主力阵容：VOC、ODE、WBD。
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。

替补阵容：LDOCE、词源、短语8in1、韦小黄&韦小绿、Garner Usage。
: R, `  a( B2 f& J: kLDOCE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；
6 r. d( Z+ {) D7 M# ]# [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。

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。
- r+ z. d6 q" k7 O“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。
, c; h3 U8 F8 t% a; Z. S* `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。
) u7 p  O- A6 W; W% F5 D9 D! S

happlebao

针对

IV. 片断索引型网站

说一下。
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 V" ^8 y: _' R6 h/ F& `- t7 dCALD：http://dictionary.cambridge.org/browse/learner-english/
0 |) v0 t! L8 x* c) {8 _
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。
( n, \: y& L; b0 `7 s9 y以第二个为例：
inurl:browse | inurl:list site:dictionary.reference.com
; O# c! O& I) r/ O
0 l4 _7 r+ D1 G+ Q1 {" M1 l) b( tPS：最近才发现这里，发现资料很多啊。
7 L2 T5 R+ o# V# P6 j: o3 e

bt4baidu

排版、修改他人制成品小技巧
0 R, l$ C# ^. F( l, |' }% i6 ~: 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
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。。。
: J3 x' J& d0 K7 Z/ U* H2 D2 I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
6 P2 m7 m! U1 I, W: \
: h* C3 }3 x, {1 f) g+ }1、Goldendict里，在想修改的地方点右键，有个“审查元素”：


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
2 u% l* d$ R! e, R) S2 R' H$ S) E
8 o* Y' K$ \+ E
- J# F/ l' Q% T, c3、修改就用Gettext等工具解开mdd文件，然后打开css改相应的地方
5 z7 h5 m* V! H
* [8 U/ T, |/ [( e! Y4 m" ]$ K
收工

Oeasy

; A) s: n% c% @* w% w9 m6 b5 u


感谢楼主分享知识和经验。

' J0 S3 r; H8 Z; F. [0 Z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。
7 ^& i) [; e6 l- L
8 S' u. O. ~1 W( q: {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。
1 \% k+ N4 h6 x# c; @1 `
# y5 b* A0 V5 @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。
: ?5 b" b1 I; {3 L  |
* B5 Y: B" r* U' i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。
, o2 c% V3 f6 W


7 A2 A5 N" G3 h+ n: @& f! O7 W, C
; q9 j! v# e/ R& ?7 q/ K

bt4baidu

Windows下制作词典必备的文本处理软件：
# f# ~+ u$ j8 e' S3 c& n( C

• EmEditor
• Beyond compare
  

) H: |) k3 f, H( w+ `& X& ^
前者用于编辑，后者用于差分比较
' V! L- x$ P. ]  O1 O! |" h# Q% K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
现有的mdx词典，其实足够绝大多数人用一辈子的了
& T' q( ]$ d6 e: k: `7 X- ?
本人前段时间制作、收集了不少，经过一段时间的比较 ...

$ {) R0 _: g, P! t8 ~* g  }肺腑之言。

bt4baidu

关于字体，请参考

网页设计中最常用的字体有哪些？（中文和英文）
* i8 F3 U* a+ A. _( X: Khttp://www.zhihu.com/question/19680724
# J2 J! F5 e" u* G* b
4 K$ Y; W$ J& B/ E0 y; r) z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
! E) V& S6 [2 X

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
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

; i, _- Z8 i" n; E
( e" U% E% g6 }1 v1 x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

! ]6 D- ]7 |6 U" u+ ^: R
java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

) B- j1 A( G, p8 M$ v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。
# m' F" j3 y3 a/ U: X2 u
  h; [' L5 k7 J- x5 X; G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。
: c6 y( N5 L8 k6 b8 C, d1 T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。
' I$ k) `; D- |) O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？
# z" z. Y% L1 k9 q* ]因为垃圾代码太多了。

* t" q+ L1 z' M7 ~* |+ p
% e, H8 O8 z3 o* u2 \; C

meigen

' |) S- q3 h8 p+ A$ k

) q; Y. `3 S+ r/ c1 u算了，道不同不相为交流
7 }2 \5 |' a' m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！

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。
( @7 n% i7 ?5 l. R
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
, O: u5 ^2 }# y% c3 n5 W; R算了，道不同不相为交流
$ Q/ h3 M: p+ O: U: Q( a想起某个梗
程序员眼中的编程语言

. q6 S) ^0 [8 h! Z# f6 s不同的语言适用于不同的人群：
; v& N, ]7 Y& k. ]1 ~6 Z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。
9 w, |& [3 V( Z5 m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。

编程语言的口水仗永远也打不完，不争了
) Q& I: H. E5 `' d5 c

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！

* X# K9 P) N9 Z+ O自以为是“文科生”的朋友们就别学Python了，因为这个世界上还 ...

8 U# u& c8 _/ z2 C下载软件？推荐一款？
$ _$ E1 V- W6 @% n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；
6 H/ y  Y) K0 }; S: ?' q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。
0 S* t: w" g' q, h: J% x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。
, ?  _% J% B) N9 N" m% u* b* F
+ n  o9 @) m' \8 K8 a+ F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。
  `8 v/ ~4 A+ t7 B* |: A' \9 B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，
: y; s* {3 c1 F* f( |) M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。
0 ?$ ]/ X4 G! ?% V

bt4baidu

本人做个大胆的预言：
5 O* u& f: p+ v  Q  y9 |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。
+ {. ~2 }+ g: j- |' X, x4 ]未来会出现一个新的行业：私人计算机管家。
# q) x" Y" g) w8 n: J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？
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% ...

: [' {, o7 l0 P. P* d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。

2 c9 O, p& i# X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。

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

$ M/ P' s' R7 M! Q! x4 y

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。

# T: p; G6 h5 |6 Y1 e4 S# C2 F
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；
# u- B$ P  d8 Y/ D9 g3 C* G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。
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
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 ...

1 w5 s$ L/ ~1 f. }. b1 w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。
  S! ?. F# ^! p, Q
8 Z, j5 h5 l7 X6 `4 V$ J1 \' v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