【求分享】英汉汉英双语平行资源

lxchen2001 · 发表于 2016-10-12 02:02:52

本帖最后由 lxchen2001 于 2016-10-12 02:31 编辑

虽然有一些资源，但想能收集更多一些：

网站信息即可

要求：
- 翻译质量高（类似经济学人或FT）
- 素材质量高（文字档，排版不乱, 如ft, 听 voa, 爱sien）

(已有：部分经济学人素材、联合国双语素材、FT素材等）

怪物猎人哥 · 发表于 2016-10-12 09:26:38

论腾网有相当多翻译后的国外双语新闻,评论什么的. http://www.ltaaa.com/translation.html

lxchen2001 · 发表于 2016-10-12 17:55:22

本帖最后由 lxchen2001 于 2016-10-12 18:01 编辑

怪物猎人哥发表于 2016-10-12 09:26" p! u# j5 J; j: Q% E ~, F" V' E
论腾网有相当多翻译后的国外双语新闻,评论什么的. http://www.ltaaa.com/translation.html

谢谢很有特色的网站。

运营模式很特别

goldmonkey · 发表于 2016-10-12 21:05:57

本帖最后由 goldmonkey 于 2016-10-12 22:05 编辑

我除了那几本英汉词典外就只有这篇帖子里提供的双语资料

https://www.pdawiki.com/forum/fo ... hread&tid=11405

帖子里大概有4993份文本（采用段落对齐，但有部分对齐好像有误），我在用FileLocator的时候经常能在里面找到想要的用法

我感觉cuyoo网的结构确实如同帖子里说的一样非常清晰

但是我的python编程能力不够

整个网站大概有3万份文本，如果全部都能处理成段落对齐的txt形式，估计会非常有用

btw，能不能问下楼主的素材哪里找的？

lxchen2001 · 发表于 2016-10-12 22:32:49

本帖最后由 lxchen2001 于 2016-10-12 22:42 编辑

goldmonkey 发表于 2016-10-12 21:05: N% y4 r: H( ]+ m7 m" T
我除了那几本英汉词典外就只有这篇帖子里提供的双语资料
, C+ J4 ]' \5 m' Q! B8 P, }
- b& M: C$ R: @! B2 Zhttps://www.pdawiki.com/forum/forum.php?mod=v ...

听VOA上面有2300多篇经济学人的，从2013开始

FT上面有很多双语文章。

抓取，处理成文本应该不成问题，只要网站比较有规律。

看了一下cuyoo, 很多双语的是来自于FT。

lxchen2001 · 发表于 2016-10-13 03:11:08

goldmonkey 发表于 2016-10-12 21:05
) ^' p8 H" L) }; j6 @我除了那几本英汉词典外就只有这篇帖子里提供的双语资料, N8 B( h: M& v. T) V$ I9 E+ O
9 L4 y1 E9 F. f6 Z8 D! q: t
https://www.pdawiki.com/forum/forum.php?mod=v ...

这个帖子里面的内容也还不错

https://www.pdawiki.com/forum/fo ... hlight=%D3%EF%C1%CF

linguee 查询可以加入到GD

goldmonkey · 发表于 2016-10-13 10:11:29

lxchen2001 发表于 2016-10-12 22:32
% Q8 @% U" _: X1 P2 ]% o( n* ~听VOA上面有2300多篇经济学人的，从2013开始( Y/ z' |* w, j r- |

- ?6 l s# j' }( `6 CFT上面有很多双语文章。

cuyoo的网址非常有规律
http://www.cuyoo.com/article-*-1.html
就是这么简单。。。

我自己昨晚用beautifulsoup试了试
大概就是用soup.find_all(class_="vw visits")
就是会有些无用的信息（“路过雷人鲜花鸡蛋”这种），不过影响不大
但主要的问题这样提取出的文本全部都在一个段落里
那个帖子里的楼主也提到这个问题
他是这么说的：“试过用采集工具（spider/crawler 之类的工具）下载，下载后的文件无法实现段落对齐（就是一段英语，一段中文），最后改用监视剪贴板的树状笔记软件（keynote nf）手工复制收集而得”
手工显然太累了。。。
我不知道怎么处理才好

lxchen2001 · 发表于 2016-10-13 14:32:30

goldmonkey 发表于 2016-10-13 10:114 s q* [8 r) m) }3 v( ]* ~
cuyoo的网址非常有规律
; W7 |' _* }1 m Hhttp://www.cuyoo.com/article-*-1.html$ a: O: ?: q5 G5 k+ A6 G* N" w
就是这么简单。。。

我自己没去抓取cuyoo的
1. 你可以用find('table', class_='vwtb')试试看这样抓取的应该就只是table里面的内容
2. 英文有etext* 中文有ctext* id 应该不需要手动调整直接可以分行

goldmonkey · 发表于 2016-10-13 15:57:50

lxchen2001 发表于 2016-10-13 14:32
0 w* \8 r6 k9 I' H& X- }我自己没去抓取cuyoo的
& E! ?, A x8 t$ Q7 G1. 你可以用find('table', class_='vwtb')试试看这样抓取的应该就只是table里 ...

不知道为什么抓出来的是英文在一起，中文在一起的

import requests
j1 S- G. I, L7 r( m
from bs4 import BeautifulSoup
5 m; [5 k0 G" k: Z2 q( ]
r=requests.get('http://www.cuyoo.com/article-30928-1.html')
: i0 Y) t- {1 |4 Q% n( d
soup=BeautifulSoup(r.text,'lxml')0 Z5 X: Z+ A: u0 z6 Z
tables=soup.find_all('td')
$ h3 Y2 h8 C3 T. Z
for table in tables:+ b. D7 k; t) P
print(table.get_text())

复制代码

lxchen2001 · 发表于 2016-10-13 17:44:20

本帖最后由 lxchen2001 于 2016-10-13 18:15 编辑

goldmonkey 发表于 2016-10-13 15:57* o L& T+ X) y4 s# B" D
不知道为什么抓出来的是英文在一起，中文在一起的

我明白你的问题了。你想把文章一句句拆开。

网页HTML上文字是放在一起的，经过处理后才成为两个栏位的。所以光用bs是不够的。

goldmonkey · 发表于 2016-10-13 18:42:44

lxchen2001 发表于 2016-10-13 17:44, q7 } Z% L) m2 g
我明白你的问题了。你想把文章一句句拆开。
2 q0 H7 f5 |7 g: M$ h+ d; A
% V0 g- I& L5 l/ A4 W8 f1 _网页HTML上文字是放在一起的，经过处理后才成为两个栏位 ...

这样应该可以了

import requests
9 j% M9 R' i1 P& Z9 A% ^7 Y% ~4 j Y
from bs4 import BeautifulSoup; o$ U3 F* I5 v* g) n
r=requests.get('http://www.cuyoo.com/article-30928-1.html')
( R- N3 E) n& E' J
soup=BeautifulSoup(r.text,'lxml')
& F, n* a1 K7 V7 p% p& [6 X3 s
en=soup.find(id='en'): X( W9 l4 Y; h' e8 U0 Y
enstring=en.strings% w! E* E& l2 F3 ?; J) i# A. x# E
cn=soup.find(id='cn'): i6 P& D: B, ]5 c
cnstring=cn.strings% {5 G: i- k$ B7 [, h8 e% e
file=open('/30928.txt','w',encoding='utf-8'), Q9 J3 F( {, \2 x
while True:
2 K A$ i! V! i( `$ e1 K0 s
try:
2 c6 Z. Q9 [3 c+ r
ensentence=next(enstring)) U L2 m; v" y" `' f7 y2 W
#print(ensentence)+ p& N, ^& b& u
file.write(ensentence)
. N6 l' ]5 w4 m7 H& z
file.write('\n')
/ h8 x% E) Y* ~4 D
cnsentence=next(cnstring)/ o6 u; P/ L- p1 B
#print(cnsentence)
3 |; _% T% s+ R
file.write(cnsentence)
) d$ z; o! v5 J9 K" l& C j
file.write('\n')8 j9 T4 U+ U" [
except StopIteration as e:" m8 s. N9 M& o
print('Finished')
$ w& u% J, |: J4 G1 E
break6 o: b: D& `# z& ?8 n/ Y4 [
file.close()

复制代码

lxchen2001 · 发表于 2016-10-13 18:59:12

goldmonkey 发表于 2016-10-13 18:421 T+ t# E7 c! R6 h2 Y4 L+ i
这样应该可以了

很好用多交流

goldmonkey · 发表于 2016-10-13 19:13:37

lxchen2001 发表于 2016-10-13 18:592 k3 E: I" r- y8 V5 L
很好用多交流

感觉写得太粗暴了。。。

看到您说的我才意识到requests得到的和浏览器载入的源代码是不一样的

lxchen2001 · 发表于 2016-10-13 19:23:34

goldmonkey 发表于 2016-10-13 19:13
6 L: J2 {" m# u, X; ?, \感觉写得太粗暴了。。。
5 f0 A6 Q: E2 N2 j% ]9 Z6 Y9 w: _8 h) l* l
看到您说的我才意识到requests得到的和浏览器载入的源代码是不一样的

现在越来越多的网站会用一些技术来防爬虫

hao371269498 · 发表于 2016-10-14 19:05:04

http://novel.tingroom.com/shuangyu/ 这里有双语小说, 不知道有用不, 另外问一下各路大神, 还有没比较好的双语小说网站? 以及有没有什么好的英语有声书网站

lxchen2001 · 发表于 2016-10-15 01:01:11

本帖最后由 lxchen2001 于 2016-10-15 02:02 编辑

hao371269498 发表于 2016-10-14 19:05, N; U) P+ u2 s; C: G1 X* | }' U
http://novel.tingroom.com/shuangyu/ 这里有双语小说, 不知道有用不, 另外问一下各路大神, 还有没比较 ...

谢谢。这个网站的小说双语是按照章节来分的，不太好处理。最好一句或者一小段平行，就像cuyoo上面的文章那样的。

cuyoo上也有双语小说, 排版方式和tingroom差不多
24en.com的排版是可以2栏，但不平行
tingvoa有些小说是分小段平行

沪江 keke的格式相对比较喜欢，但是分成太多网页，也不是太方便

英语有声书：
免费的：
https://librivox.org/
http://www.openculture.com/freeaudiobooks

亚马逊收费的
audible.com 不少有名人配音

用户名		自动登录	找回密码
密码			免费注册

[词典求助] 【求分享】英汉汉英双语平行资源

本帖子中包含更多资源