|
|
本帖最后由 tsiank 于 2016-6-7 08:14 编辑 # C( ]! b6 {) ~$ ]
6 {# @9 k6 F0 z0 q近段时间一直在摆弄汉语大词典，因为网络上现在流传的各种大词典文本版有着诸如词条缺失，排版断行不妥，增补失当等问题，刚好又在网上发现了大词典3.0光盘提取工具，于是想着不如从源头重新制作一次。只是没想到这个工具是半成品，各种搞不定，于是发贴https://www.pdawiki.com/forum/fo ... CA%B5%E4&page=3' \, \4 g O# \* J7 a) T: q
希冀高人出手，后终于在gnoweb大神的帮助下搞定，使继EPWING之后，又一版本完整再现了光盘版3.0数据。其实说“又”也并不妥当，之前就有高人提取过，只是没注意到而已。
4 d4 F$ b, b+ i3 U- T# N9 Q& r9 Q l4 ~, K9 Q
汉语大词典光盘繁体版3.0共收18,014 个（去除重复共13069个）汉字字頭，336,706条复詞。因为光盘版3.0采用的是BIG5编码字集，所以只能收录13069个字头，超出BIG5范围的字只能舍弃，这就造成了字头数，词条数以及例证都要比纸质版少得多。且因为是在简体版的基础上加工的，也出现了简繁一对多的错误。在删除BIG5范围外的字时，由于操作失当，产生了许多词条内容重复错乱的问题（参见此贴：http://blog.xuite.net/fg_wang/twblog/106485207）。比如“吻喇喇”，3.0第二、第三义项的释义及内容都是词条“唿喇喇”的，因为“唿”字并不在BIG5编码中，所以3.0并没有词条“唿喇喇”，不知为什么把这两个词条内容并一起了。再比如“五奴”条，因为释义中“䭔”字并不在BIG5码内，所以3.0的释义是直接把“雖喫䭔子亦醉，不煩酒也”这句翻译成了白话文。像这些问题改不胜改。8 e0 ~6 r( g: ~2 i
; U; j; H/ \( C' u, R6 n
! j1 n. c _2 R: Q4 ^% A
5 o7 i7 v0 i1 @7 `! U
; d4 K9 t/ N; ^* j$ A; c
7 c! E1 @- X! o, n" \依据光盘版3.0而制作的其他字典格式版本有DSL版、MDX版和EPWING版。DSL版和MDX版特点是查不到“堃，煊”等字词，因为不在BIG5范围内。也查不到“誕”字，可能是制作过程中词条丢失。只有EPWING版数据与光盘版一致。
: B2 c* @: e$ r5 d
! T1 o3 r" N/ {7 O! T+ w; U. a2 a3 `' N! G( @/ z, p
汉语大词典光盘版2.0因为采用了GBK编码字集，所以收录字头27898个，去除重复去计20902个，刚好是GBK编码的全部汉字。复词343307条（提取后的词条数是343303，那4条不知道跑哪儿去了）。由于GBK编码比BIG5编码的字多了七千多个，所以字头数，词条数以及例证都要比3.0版的多，而且由于是简体原版，也就不存在简繁转换错误，也基本不存在词条内容错乱的问题（目前为止只发现了十个带“冤/寃”和“蠹/蠧”的词头有些内容重复错乱）。其文本质量相对3.0要好很多。此外，似乎还有另一个版本的光盘版2.0：http://www.guoxue.com/?p=4453 ，网上说其共收入18,013个字头，336,385条复词，比这个版本的2.0要少，是不是也是繁体版的原因？我没找到下载。这个光盘版2.0沒有提取工具，只能用笨方法去複製，而且几乎没有什么排版，所以提取数据后又在排版上花了很大的精力。2.0虽然比3.0文本好一些，可缺漏之处依然大量存在，一般缺失的都是“同某某词条”，“亦作某某词条”，这样的情况也是改不胜改。原光盘内含548幅图，可在正文有链接的只有513个，多亏了sky66的帮助，又找出了几十幅，而且在制作过程中改正了原光盘版的许多错误，根据字头的拼音给每个词头加上了拼音（当然由于多音字的问题不一定都准确，不过词头首音是可以保证的），根据图像版的页码数据给每个词头添加了页码信息。因为这些，mdx版比原光盘版是青出于蓝而胜于蓝了。0 ]( E; o* g4 L2 l1 n, S
/ R' m Z. I9 \0 v+ X# V+ |
( j( X+ f. i0 ^& D
$ n# c1 k& h7 H' }
$ H: C: v7 R& l4 Q! {2 }$ h5 m7 ?
4 ^# o' h; P# W/ ~, ~依据光盘版2.0而制作的其他字典格式版本有stardict版。stardict版有简体版和繁体版，其繁体版应是由简体版转化而来，参看此贴：https://www.pdawiki.com/forum/fo ... F%B4%F3%B4%CA%B5%E4( u7 n$ S: u, S
此版词条数360000（依据goldendict词典信息），可以查到“誕，堃，煊”等字。不过转换过程中也丢失了一千多个词条（如查不到“軕，軕子”等字词），而且没有排版，专名号也没有加上去。另外由于简繁转换而造成了简繁一对多的错误。
* G$ R% } j7 {9 |
% q' B! l- J( }8 q汉语大词典订补，原mdict数据來自於sxingbai，这个mdx应该是据网上流传的PD制作的，比较遗憾的是没有专名号。试了一下，从原PDF中也没法复制出专名号，只得作罢。此次主要是改动了一下排版，html标签与2.0和3.0的mdx一致，使得这三部mdx可以共用一个css文件。
8 c# n( A% Y- C, m H4 T ^% y( R! K0 ?5 a" q
4 s1 M% A! K. ?5 {7 R
" t5 _7 Y2 c6 a7 d1 {1 \8 ~
2 P; S8 P2 e% |* e: z G; `5 g. h8 i
1 C$ O3 q9 f; V. r0 K- Q2 x; z- d, t汉语大词典图像版，已经发布了，就不用多说了。制作过程中，发现“坊”字条，“府良切”前面少了“《廣韻》”二字（各大电子版也都一样），这是在图像版（也即纸质版）中发现的第一个缺漏，而繁体纸质版已经修正了（感谢sky66提供纸质繁体版图片）。# J- b1 ~: o$ w6 B7 s/ d! U
7 S1 `* a# y( e
4 R) |& Y! q8 N/ I! x! w
|
本帖子中包含更多资源
您需要 登录 才可以下载或查看，没有帐号？免费注册
x
|
发表于 2016-6-6 22:16:26
楼主
3 s4 N, [$ j. b- g4 f
