汉语大词典光盘版3.0及提取工具

tsiank · 发表于 2016-5-18 16:06:12

gnoweb 发表于 2016-5-17 23:03$ a9 e" ~7 O6 H" x( t
已修正。

忙活了這麼久，終於把我的排版也搞定了，數據優化到了200多兆，和你的大小差不多了。光盤版的還有一個問題，就是一個義項下又有許多小項釋義時，比如“青”字，並沒有排版，看着有些亂，需要在這些地方自己排版一下。不過正則匹配肯定有照顧不周的地方。另外，字頭詞頭的小標號是有一定的注音提示意義的，所以建議還是保留爲好，並且可以做成直接跳轉到指定位置。比如“參見參3”，點擊後可以直接跳轉到“參3”這個字頭。字頭下的詞條列表可以設爲摺疊模式，需要時可以點擊查看，或者完全隱藏，不然太佔位置了。

gnoweb · 发表于 2016-5-18 16:08:12

本帖最后由 gnoweb 于 2016-5-18 16:11 编辑

coolsummer 发表于 2016-5-18 15:35& w- Q; U* H* n) h' j+ E! ^
与WFG大讨论时，WFG大又指出一项差异，gnoweb大的撷取似乎还是漏失了一些讯息，见图：

单独提出的词目里没有保留第一个字的编号信息。可以自行回退入第一个字目查阅。单字目下都保留了各自的词组链接。

tsiank · 发表于 2016-5-18 16:08:29

coolsummer 发表于 2016-5-18 15:35: `3 i# r* x0 N3 ?6 Z/ ^
与WFG大讨论时，WFG大又指出一项差异，gnoweb大的撷取似乎还是漏失了一些讯息，见图：

這個我知道，所以我都保留了，並且點擊時可以直接跳轉到相應位置。

gnoweb · 发表于 2016-5-18 16:13:39

tsiank 发表于 2016-5-18 16:06
% v W. M# Z; u: ~. F% `忙活了這麼久，終於把我的排版也搞定了，數據優化到了200多兆，和你的大小差不多了。光盤版的還有一個問 ...

好的。随后有时间可以优化一下。

liuyunrushui · 发表于 2016-5-18 16:16:38

真漂亮！WFG是哪位大神呀？

tsiank · 发表于 2016-5-18 16:30:16

liuyunrushui 发表于 2016-5-18 16:16
; f: i* |: e, J9 L! [& n8 G真漂亮！WFG是哪位大神呀？

對岸一位網友：。http://blog.xuite.net/fg_wang/twblog/106485207 需要fq.

sky66 · 发表于 2016-5-21 11:13:03

光盘版3.0數據的問題, 供大家參考:

1. http://blog.xuite.net/fg_wang/twblog/106485207 由 WFG 提到的 [爰] [胡然] [能始] [丑] [厂]

2. http://www.guoxue.com/?p=4453 提到的 [夜叉] [老饕] [裳]

3. "，，" 有64處, 經與原書逐一確認, 全部都是 "，"
目前看到所有的文本版都有相同問題, 還有"。。" 29處待確認.

4. [喪]
”`《三國志·魏志·武帝紀》
=>
”</LZ><LZ>《三國志·魏志·武帝紀》

5. [翟]
這些孩子。”``
=>
這些孩子。”

6. [名貿實易]
謂名稱相似，實質不同。貿，牟牟”，等齊。易，變易。《商君書·開塞》今世之所謂義者，立民之所好，而廢其所惡；此其所謂不義者，將立民之所惡，而廢其所樂也二者名貿實易，不可不察也也。”一貿“貿”義易”。謂名稱與內容應互換。
=>
謂名稱相似，實質不同。貿，通“牟”，等齊。易，變易。<LZ>《商君書·開塞》：“今世之所謂義者，立民之所好，而廢其所惡；此其所謂不義者，將立民之所惡，而廢其所樂也。二者名貿實易，不可不察也。”一說“貿”義同“易”。謂名稱與內容應互換。</LZ>

7. [儉易]
猶言吉凶好壞。《釋文》引<u>京房</u>注：‘險，惡也；易，善也。’”
=>
猶言吉凶好壞。儉，通“險”。

8. [只要功夫深，鐵杵磨成針] 類似問題還有幾個詞條, 需與原書校對修正: [德勝頭迴] [柰園] [科頭跣足] [捕取] [被錫] [鄂不] [鎛鋁] [鞠花] [黃污]
鍼，針針”。功，亦作“工”。
=>
鍼，同“針”。功，亦作“工”。

9. </XH><SY></SY> 有 1650 處, 難以逐一確認修復.

gnoweb · 发表于 2016-5-21 11:50:21

等2020年新版吧，或許相應電子版會解決字符不全，數據缺失的問題。

klwo2 · 发表于 2016-5-21 12:00:03

原先的电子版有一个功能（至少2.0有），就是模糊查询，不知道有没有什么办法可以移植

也许是我mdict/goldendict 使用不熟，没发现怎么模糊查

tsiank · 发表于 2016-5-21 15:00:35

本帖最后由 tsiank 于 2016-5-21 15:10 编辑

sky66 发表于 2016-5-21 11:138 n- `- I8 ^+ N8 L) v
光盘版3.0數據的問題, 供大家參考:
3 R, i, b' L B% Q' d) Y4 t" y* n! i% k. ]1 b n$ Y a$ C5 g
1. http://blog.xuite.net/fg_wang/twblog/106485207 由 WFG 提到的 ...

嘿，對照着你說的這些，我都一一改正了。那個“。。”也全是多了一個句號。在查看“。。”的過程中，看到“長公主”這一條，釋義中“後代僅爲皇帝姊妹的封號。”後又重複了“亦省作“長2主”。《漢書·外戚傳上·孝景王皇后》：“長公主嫖有女，欲與太子爲妃，栗姬妒，而景帝諸美人皆因長公主見得貴幸，栗姬日怨怒，謝長主，不許。”這個例證中”的內容“。而例證的“亦省作“長2主”。長後少了個2。另一個版本也有這樣的錯誤，真是改不勝改。這讓我倒想起了這個詞典跟英語WBD詞典的情況倒很相似。

那一千多個<SY></SY>的情況，大多都是因爲異體字的原因造成的吧，像疏，疎；梨，棃；牀，床。真不知道爲什麼繁體版的把原紙版詞頭中的“牀”等字换成了“床”。像这样的异体替换很多，造成我添加本词典词头页码时有将近四千个没法加入页码数据。相比之下，另一版本的大词典用字倒是忠于纸质版，可是排序真是混乱，也实在是搞不懂怎么造成的。真是怪，明明是从纸版来的，却没有一个版本正常的。

tsiank · 发表于 2016-5-21 15:13:34

klwo2 发表于 2016-5-21 12:00
" Y' |( N1 g4 b5 ]原先的电子版有一个功能（至少2.0有），就是模糊查询，不知道有没有什么办法可以移植
0 r6 J1 Y* k) k- q) F/ U! H- F3 w/ B( B
也许是我mdict/gol ...

goldendict不也可以用*,?来匹配查找吗？

tsiank · 发表于 2016-5-21 15:37:44

最终的排版就是这样了，也是我觉得大词典理想的样子。尽管觉得部首unicode那些信息不必要，为了跟光盘版一致，还是加进去了。字关的页码可以点击跳转到图像版，词头也加入了页码信息和拼音。由于异体字的原因，有四千多个词跟图像版不一致，所以无法把图像版的页码vlookup过来。词头的拼音是利用字头的拼音生成的，所以第一个带下标的字的拼音与原字头是一致的，其他的多音字正确性就没法保证了。不知道为什么大词典把些的suo音放第一位，导致带些的词头注音都有误了。如果mdx词典格式能够实现随时编辑的功能就好了，这样查阅过程中发现错误随时改正，即查即改，不用那么麻烦再编辑源文件重新编绎。

tsiank · 发表于 2016-5-21 15:56:05

gnoweb 发表于 2016-5-21 11:50
* p! i2 C4 f5 T. U9 L等2020年新版吧，或許相應電子版會解決字符不全，數據缺失的問題。

之前不是说2015年出第一卷吗？都2016年中了，还没见影呢。2020年出齐，我看没准。

sky66 · 发表于 2016-5-21 17:44:31

tsiank 发表于 2016-5-21 15:00, `4 ] J$ a% B: ~0 R/ e
嘿，對照着你說的這些，我都一一改正了。那個“。。”也全是多了一個句號。在查看“。。”的過程中，看 ...

從"，，" 和 “。。” 錯的地方都一樣來看, 目前各文本版的來源估計都是同一個, 到後來不知怎麼各改各的, 就亂了..

另一版本用字雖然忠於紙質版, 但是順序不同, 原本以為是有什麼新的見解, 重要的釋義或例證放前面..
但是, 從"長公主"這一條來看, 例證的順序這麼排就是錯了.
因為《宋史·秦国大长公主传》的例證, 並沒有用到前面所提到的亦省作“長主".

sky66 · 发表于 2016-5-21 17:48:28

tsiank 发表于 2016-5-21 15:56
8 X8 w) q2 M! U* i之前不是说2015年出第一卷吗？都2016年中了，还没见影呢。2020年出齐，我看没准。

http://news.66wz.com/system/2016/05/20/104833730.shtml

陈增杰说，他目前负责第三册上半部分，初稿663页，计110万字，明年5月交稿。

2017 5月, 第三冊上半部才交稿, 之後還要再做校對整理, 印出來可能都2018了.
要出齊, 可能還真的要很久. 現在的版本繼續將就著用吧..

tsiank · 发表于 2016-5-21 17:53:52

sky66 发表于 2016-5-21 17:44( G7 \4 O+ ?7 j
從"，，" 和 “。。” 錯的地方都一樣來看, 目前各文本版的來源估計都是同一個, 到後來不知怎麼各改各的, ...

根本就不是有什麼新的見解，好多例证近代的竟然都在唐宋之前，哪有这样放例证的。还是那句话，我是实在不明白怎么会乱成这样。

tsiank · 发表于 2016-5-21 17:55:13

sky66 发表于 2016-5-21 17:483 c; _- O# k% c
http://news.66wz.com/system/2016/05/20/104833730.shtml

估计至少还要10年时间，2025年能出齐就不错了。

coolsummer · 发表于 2016-5-23 16:58:35

我从WFG大那里又得知几处错误，在此加以补充：

1. [建窯] 宋代著名瓷窯。窯，(1)窯址原在 => 宋代著名瓷窯。窯，同「窑」。(1)窯址原在
2. [石經] 蔡邕用隸書寫成的「熹平石經」， => 蔡邕用隸書寫成的「熹平石經」，亦稱「一字石經」。
3. [赤城] 在浙江省天台縣北 => (1)在浙江省天台縣北
4. [九辯] 大义项 (2) 未断开，排版错乱
5. [十三家] 大义项 (2)(3)(4) 未断开，排版错乱
6. [十八變] 大义项 (2) 未断开，排版错乱
7. 一千六百余处，缺文、释证重复错置，例如：[一床][一線][一鉤][二疏][上果][二豎][三犁]......
另六十余处 "..."("."的数量不定) 为对纸本有删节之处

基于以上 3 - 6 项，若对小义项有做批次断行处理的大大，可能已造成"误杀忠良"的错排，请特别注意。

其实这光盘资料的错误，真是改不胜改，当初编辑者硬删资料以套入BIG5的编码之中，就已种下"祸根"，再加上某些简体转繁体造成的错误，先天早已是不良。各位大致整理成自己喜欢的排版后，足堪使用就好，批次处理愈细、愈多，引起新问题的可能性恐怕就愈高。

tsiank · 发表于 2016-5-25 01:13:45

coolsummer 发表于 2016-5-23 16:58$ x8 {# t+ }! L! ~( Y* D5 d
我从WFG大那里又得知几处错误，在此加以补充：$ R! f( `+ z+ ]& z8 ^3 T5 C. {
- P' L+ k2 x4 s6 \7 O6 }
1. [建窯] 宋代著名瓷窯。窯，(1)窯址原在 => 宋代著名瓷 ...

前兩天下載了漢語大詞典光盤版2.0忙活了幾天，提取了數據。2.0收有字頭27898個（去除重複後有20902個，也即收錄了全部GBK編碼範圍內的字，比3.0多收了六千多字，即使去除收錄的簡體字頭，也多了三四千字頭），詞條343307条。無論是收字還是收詞，都比3.0的要多。有“煊，堃，脉“等字。不過有些字頭詞條不見於紙版。2.0因爲是GBK系統的，比3.0少了很多因適應big5碼而刪除有關內容造成的錯誤，所以基本上沒有那一千六百多處的釋義錯漏，例證誤置。除了是簡體釋義以外，文本質量比3.0要高，說3.0是2.0的閹割版也不爲過。只是2.0的排版很糟糕，大釋義與例證都沒有分開。

tsiank · 发表于 2016-5-25 09:41:40

sky66 发表于 2016-5-21 17:48
http://news.66wz.com/system/2016/05/20/104833730.shtml

3.0對紙版上的釋義多有改動，今查“五奴”條，釋義中“但多與我錢，雖喫䭔子亦醉，不煩酒也。”此句引用的話2.0把“雖喫䭔子亦醉”用......代替了（自己已改正），而3.0把這句話直接翻譯成了白話，亂序版的倒是忠實於原文。應該是因爲“䭔”這個字gbk和big5碼都沒有收錄，所以做了不同的處理。不過3.0對2.0也補充了一些內容，比如還是“長公主”這條，3.0比2.0多了“亦省作“長主”，可惜又沒處理好。

coolsummer · 发表于 2016-5-25 10:49:19

tsiank 发表于 2016-5-25 01:13
' H% `7 h- ]: \# z' T" x" L" A前兩天下載了漢語大詞典光盤版2.0忙活了幾天，提取了數據。2.0收有字頭27898個（去除重複後有20902個，也 ...

看来汉语大词典光盘版2.0的数据还是有其价值，感谢tsiank大的分析，我也来试着提取看看。

		自动登录	找回密码
密码			免费注册

[工具] 汉语大词典光盘版3.0及提取工具

本帖子中包含更多资源

本帖子中包含更多资源

本帖子中包含更多资源

本帖子中包含更多资源

点评

本帖子中包含更多资源

本帖子中包含更多资源

本帖子中包含更多资源