如何把每个字条的短语、习语等提取出来

caihui10

发现在字典里输入任何短语、习语，只要21世纪大英汉有，都能显示出来，大大提升了查字典的效率，但缺乏例句。陆老的大英汉例句丰富，但只能到该词条下去看，很是不便！很想学习下这个技术，把这部分提取出来方便查阅。在论坛里找了几个工具，像https://www.pdawiki.com/forum/fo ... =12972&extra=page=1，说只要输入空格，就可以提取，试过了好像不行。https://www.pdawiki.com/forum/fo ... =18986&extra=page=1，按正则该如何填写代码？比如想把大英汉的短语、习语部分提取出来该怎么弄？比如：想把 aback这个单词下的 <span class="phmk">■</span phmk> <span class="phrase">be taken aback </span phrase>：<br>.<span class="table"><span class="num">1.</span num>吃一惊；被弄糊涂:</span table>提取出来该怎么弄？论坛上看到还有很多方法，恳请大侠赐教！

mikeee

" |! O4 ^6 D( S) `
我不是已经说了怎么提取短语习语了，在给出具体python码吧

1. from pyquery import PyQuery as pq
   8 p6 F! P9 F2 O+ D0 w! c
2. html = '<span class="phmk">■</span phmk> <span class="phrase">be taken aback </span phrase>：<br>.<span class="table"><span class="num">1.</span num>吃一惊；被弄糊涂:</span table>'
   
3. res = [pq(elm).text() for elm in pq(html)('.phmk,.phrase,.table')]
   
4. print(res)
   3 ]; i+ H: `8 \" l1 F' Q
5. # 结果： ['■', 'be taken aback', '1.吃一惊；被弄糊涂:']

复制代码

提出短语习语后再重构字典，也不是太难的事，不过不会点编程单靠 vscode 的话要走很多很多弯路。

mikeee

先给答案：用 css选择器 .phmk,.phrase,.table

验证方法。 先将以下代码（楼主给出的mdict/html码）存为html文件，例如 phrases-idioms.html
, {7 ~" p& }- a% ?$ e* J

1. <span class="phmk">■</span phmk> <span class="phrase">be taken aback </span phrase>：<br>.<span class="table"><span class="num">1.</span num>吃一惊；被弄糊涂:</span table>

复制代码

再用Chrome打开 phrases-idioms.html （一般双击 phrases-idioms.html即可。也可用其他浏览器，基本思想一样）。再调出 devtools （Chrome里右键选 Inspect或ctl-shift-I）。在devtools选定 Elements标签。在Elements标签按 ctrl-f，在跳出的搜索栏里键入 .phmk,.phrase,.table

结果大致如下图
% l$ }% h% @: e: m+ v: S% {

9 e8 M5 j2 F0 y; |3 ]; {+ T' J6 f
4 w0 Z$ d* m- L! B) X/ X/ x! N/ k' s可以看到 css选择器 .phmk,.phrase,.table 找到网页里的三个元素。
4 y, @" [% u: g
: |' g6 n0 O/ x, C: Q" Z. ?至于如何提出对应的三个元素有许多办法，python里可用 pyquery， node/js里可用 cheerio/jquery，其他编程语言也都应该有包可用。

python的话可直接用 readmdict 直接从 mdx 文件逐个读出每个词头的内容再用 pyquery + css选择器 进行处理， 内存足迹极小。顺便提一句，正则要处理这种东西也并非不可能但怕是会力不从心，不信可以试试

caihui10

查看元素，我知道操作，关键是不会提取，我按drough发的教程安装了vscode，但运行总是说路径不对，我也不知道是哪里错了。哎，折腾这玩意都无心学习了。你看能不能提供教程，就像21世纪大英汉那样，什么短语都能查，只要它里面有。我昨天发了个RMB求购的帖子被人扔进了回收站，我也不想浪费太多时间在这上面，就想花点钱买技术。越简单越好，因我没任何计算机基础知识！

caihui10

mikeee 发表于 2019-5-11 13:24
+ J: f% |  n( W9 I/ s) d: |先给答案：用 css选择器 .phmk,.phrase,.table

验证方法。 先将以下代码（楼主给出的mdict/html码）存为ht ...

6 ?, f4 U: x2 ?4 `( J' K) I$ v' V还是不会提取，谢谢你的耐心帮助，没有编程基础真是看不明白。

ogrishman

caihui10 发表于 2019-5-15 21:12
9 R4 J$ d" V5 Q* l7 I- a2 x还是不会提取，谢谢你的耐心帮助，没有编程基础真是看不明白。

哈哈哈，你得自己稍微学习一点，要不然你想自己修改词典真的很难。不要没有信心，我也是去年年底才开始学习计算机技术的，现在已经可以自己修改和制作词典了。

ogrishman

要么你就重金悬赏，说清楚你要什么效果，我来给你按你的需求做。