设为首页收藏本站
切换到窄版

掌上百科 - PDAWIKI

 找回密码
 免费注册

QQ登录

只需一步，快速开始

掌上百科 - PDAWIKI»首页 › 交流专区 - Discussion › 词库制作交流区 - Dictionary-Making › 论如何爬取杨百翰大学iweb corpus语料库
返回列表 发新帖
查看: 4349|回复: 26

[讨论] 论如何爬取杨百翰大学iweb corpus语料库

[复制链接]
abnerzzz
  • TA的每日心情
    衰
    昨天 06:13

    • 签到天数: 904 天

    [LV.10]以坛为家III
    发表于 2019-9-3 21:04:23 | 显示全部楼层 |阅读模式
    最近花费不少心思，基于COCA20000，做了份Excel词汇表。, O0 j& E3 g. N) z
    对比各类词典软件，据说有道做得最用心，中文释义全部取自有道，序号分割不同词性。
    . K+ g4 ~& o- L' \9 F: L! ^: i- {. I0 S7 X5 c
    " v' ?5 _" d4 S

    2 @% F$ `- W# T& a5 R    9 b1 H; l( W- G5 h+ l# B
    正准备打印出来，逛论坛看到两个贴子，发现iweb语料库更全更新。
    5 e: u% R! d1 `- L4 G: b. o/ \+ m; B4 o  l: t. K9 v5 Y# b& S) S
    1. https://www.pdawiki.com/forum/forum.php?mod=viewthread&tid=33399&highlight=iweb
      ( h9 }- r1 _/ k7 P6 C5 f2 D
    2. , C) j% D- }4 H; q
    3. https://www.pdawiki.com/forum/forum.php?mod=viewthread&tid=33281&highlight=iweb
    复制代码
    ; p) ]3 R3 g  v! v2 E1 {) X; J

    3 ~7 ~6 c9 {$ I9 k* @7 k) m* ~6 k  E8 n3 E  x5 F% e
    本想偷个懒，找 @要份csv排序版的，无奈联系不上。尝试自己爬取iweb语料库，奈何官网反爬虫做得贼好，有点棘手。
    6 x5 C7 A; g. v+ Q# E% h; d
    + l+ V# w5 z6 \9 v0 d. ?9 g
    2 Y. r  Q6 H2 H) R2 X- h' `5 @+ t初步计划，爬前60000单词，匹配有道词典翻译，先弄份中文版出来。
    + \6 W9 ^9 E" I然后爬每个词汇具体页面，再制作词汇搭配版本。搞定后分享给大家。# H9 |2 X3 B$ z4 g% \2 v  }0 J
    6 d7 C  q& w  z* D' z! I
    大家有什么想法，可以提提啊。
    / r' m% q5 g# J# X# m/ O懒癌犯了，希望@现身，直接做个成品出来，就不用我这小菜鸟折腾了。iweb语料库的确很棒，可惜全网找不到资源。
    9 j8 K5 t% [$ o, ~& T8 }& p) I2 @: o9 B- l: X
    ' B, W4 x' k  ^# l  W9 ^
    0 k* V' H, N- N

    本帖子中包含更多资源

    您需要 登录 才可以下载或查看，没有账号？免费注册

    x
    回复

    举报

    eplono
  • TA的每日心情
    慵懒
    2021-9-30 10:09

    • 签到天数: 321 天

    [LV.8]以坛为家I
    发表于 2019-9-26 17:59:52 | 显示全部楼层
    本帖最后由 eplono 于 2019-9-30 07:44 编辑
    9 G1 Z" q/ [3 B: H6 u' d. F. Y: D1 X/ L) a$ \0 X8 |
    Hi 楼主能不能做一个词组（or搭配）的词频？就是这COCA里提出来的词组或搭配按照频率越高排名越前的这样。
    & F& ]" ^0 w& M9 `
    3 o' \+ Y( U% |  R( c' a1 t我相信这样一份词频，至少对很多人来说吧，远远比仅仅单词的词频有用得多(单词的词频已经有GaryPang大的iWeb词频了[搜索帖子关键词“iWeb”]），
    4 U5 U& o, R2 s2 a( l* `功德无量哦$ c0 e, ]8 ?0 Q. ?

    ; h* |0 U; Y+ X& x. I我今年年初的时候BT（magnet:?xt=urn:btih:EEBAC1F45D81FC3EEA92A7C6CC7179C863E290B9&tr=http%3A%2F%2Fbt4.t-ru.org%2Fann%3Fmagnet）
    8 X, n& m! {8 x$ c' V+ ^下载了一份COCA 2012年的原始数据，
    7 }+ ^- M, y3 M) G4 c9 Q3 D
    . F7 R9 n" \1 [有一份Collocation20000的PDF(https://pan.baidu.com/s/1AOgIWHF1rZzlRsYy_JnLPQ[提取码：tetg])，（PDF转换成mdx已经有人做了，见https://www.pdawiki.com/forum/forum.php?mod=viewthread&tid=33105）1 g% O1 J3 ^% F" {2 N

    6 N" h. C7 {9 Z, q9 }9 U5 J/ O5 L无奈自己非IT相关专业、只会一点点Python，不会整理成搭配的词频，就把原始数据（印象中是都小说、杂志等等的原文）都删了，现在重新挂娘盘，离线几天了停在65.46%进度。9 K7 b4 v! i9 o) F
    : _1 ]; j4 n3 G) b2 l. s8 y/ N) Q* Y  l
    等下完了就放出来希望有人做个词组（or搭配）的词频...
    / F& |0 w  {4 i! h3 o8 l0 l( E9 V! Z0 P
    咋刚才看到楼主回复进度的帖子回头看又不见了？我幻觉了？？？
    2 h- [4 c+ F8 z  _: l
    回复 支持 2 反对 1

    举报

    abnerzzz
  • TA的每日心情
    衰
    昨天 06:13

    • 签到天数: 904 天

    [LV.10]以坛为家III
     楼主| 发表于 2019-9-25 19:30:52 | 显示全部楼层
    反馈一下进度，上周就已经差不多爬完了。接下来需要将HTML转成文本，不过最近有点忙，看心情再转下格式。
    回复 支持 2 反对 0

    举报

    abnerzzz
  • TA的每日心情
    衰
    昨天 06:13

    • 签到天数: 904 天

    [LV.10]以坛为家III
     楼主| 发表于 2019-9-5 21:24:19 | 显示全部楼层
    你去哪里 发表于 2019-9-3 21:41
    : U+ P! _2 y. X2 R3 F中文释义还是用权威词典的释义，比如说牛津或者朗文的比较好吧。

    " a- M( U! d$ l补图。。。。

    本帖子中包含更多资源

    您需要 登录 才可以下载或查看，没有账号？免费注册

    x
    回复 支持 2 反对 0

    举报

    你去哪里
  • TA的每日心情
    开心
    2023-2-17 08:38

    • 签到天数: 321 天

    [LV.8]以坛为家I
    发表于 2019-9-3 21:41:52 | 显示全部楼层
    中文释义还是用权威词典的释义，比如说牛津或者朗文的比较好吧。
    回复 支持 1 反对 1

    举报

    snwbpn
  • TA的每日心情
    开心
    2024-3-30 21:57

    • 签到天数: 46 天

    [LV.5]常住居民I
    发表于 2022-11-25 17:50:01 | 显示全部楼层
    非常感谢，请问原始爬出来的网页文件方便分享吗？谢谢????????
    回复 支持 1 反对 0

    举报

    snwbpn
  • TA的每日心情
    开心
    2024-3-30 21:57

    • 签到天数: 46 天

    [LV.5]常住居民I
    发表于 2020-1-25 21:05:27 | 显示全部楼层
    楼主做的怎么样了呢？期待你的大作！
    回复 支持 1 反对 0

    举报

    ericqjy
  • TA的每日心情
    擦汗
    2022-10-5 15:24

    • 签到天数: 614 天

    [LV.9]以坛为家II
    发表于 2019-11-18 15:33:50 | 显示全部楼层
    这个没下文了？期待楼主更新。
    回复 支持 1 反对 0

    举报

    lgmcw
  • TA的每日心情
    奋斗
    2020-11-15 11:37

    • 签到天数: 249 天

    [LV.8]以坛为家I
    发表于 2019-11-9 03:35:21 | 显示全部楼层
    ubersoft 发表于 2019-9-8 23:56
    & k4 K0 s5 A8 T) s; P! x有偿整合数据、排版美化和制作mdx，可否？可以合并其他词典的数据，需要爬取别的数据也可以提供。如果需 ...

    , l7 Y7 e3 }2 e5 Y我觉得最有用的是那个collocation和cluster
    回复 支持 1 反对 0

    举报

    快乐巡洋舰
  • TA的每日心情
    奋斗
    2022-7-18 17:14

    • 签到天数: 413 天

    [LV.9]以坛为家II
    发表于 2019-11-6 11:34:39 | 显示全部楼层
    能做出排序，已经非常好了。祝楼主早日功成！
    回复 支持 1 反对 0

    举报

    ericqjy
  • TA的每日心情
    擦汗
    2022-10-5 15:24

    • 签到天数: 614 天

    [LV.9]以坛为家II
    发表于 2019-9-25 20:11:08 | 显示全部楼层
    楼主加油↖(^ω^)↗
    回复 支持 1 反对 0

    举报

    ericqjy
  • TA的每日心情
    擦汗
    2022-10-5 15:24

    • 签到天数: 614 天

    [LV.9]以坛为家II
    发表于 2019-9-3 23:08:43 | 显示全部楼层
    最好有英文释义，推荐简明牛津或新牛津或美国传统词典的英语释义。
    回复 支持 1 反对 0

    举报

    ericqjy
  • TA的每日心情
    擦汗
    2022-10-5 15:24

    • 签到天数: 614 天

    [LV.9]以坛为家II
    发表于 2019-9-3 23:09:54 | 显示全部楼层
    非常期待您的成品！
    回复 支持 1 反对 0

    举报

    freemanlea
  • TA的每日心情
    慵懒
    2023-5-28 06:06

    • 签到天数: 1190 天

    [LV.10]以坛为家III
    发表于 2019-9-4 09:02:43 | 显示全部楼层
    提示: 该帖被管理员或版主屏蔽
    回复 支持 1 反对 0

    举报

    ChaunceyWei
  • TA的每日心情
    奋斗
    2022-4-15 15:41

    • 签到天数: 404 天

    [LV.9]以坛为家II
    发表于 2019-9-4 13:25:25 | 显示全部楼层
    期待iweb的排序版啊，这个语料库收词量比COCA大了很多
    回复 支持 1 反对 0

    举报

    abnerzzz
  • TA的每日心情
    衰
    昨天 06:13

    • 签到天数: 904 天

    [LV.10]以坛为家III
     楼主| 发表于 2019-9-5 14:09:09 | 显示全部楼层
    ChaunceyWei 发表于 2019-9-4 13:255 A3 h" s: d' \
    期待iweb的排序版啊，这个语料库收词量比COCA大了很多
    - X, g+ V/ D- H9 |& Y: W7 e
    iweb语料库top6000排序版已经有了，但拿到相应的词汇搭配难度较大。
    回复 支持 1 反对 0

    举报

    abnerzzz
  • TA的每日心情
    衰
    昨天 06:13

    • 签到天数: 904 天

    [LV.10]以坛为家III
     楼主| 发表于 2019-9-5 21:09:57 | 显示全部楼层
    iweb语料库前60000个词频排序版已搞定
    3 _( g, K7 r- T+ V5 O5 P7 p& h* V

    本帖子中包含更多资源

    您需要 登录 才可以下载或查看，没有账号？免费注册

    x
    回复 支持 1 反对 0

    举报

    abnerzzz
  • TA的每日心情
    衰
    昨天 06:13

    • 签到天数: 904 天

    [LV.10]以坛为家III
     楼主| 发表于 2019-9-5 21:22:52 | 显示全部楼层
    ericqjy 发表于 2019-9-3 23:08
    $ |7 ~+ |% l& S- g- F/ D) L最好有英文释义，推荐简明牛津或新牛津或美国传统词典的英语释义。
    ) Q0 i* d. B* y9 d! p/ T6 E3 _0 ^
    iweb语料库每个单词明细界面，有同义词、话题、搭配、词簇等，同时还能链接到其它在线词典网站（图中标注12345能跳转到剑桥、韦氏）。0 l" K/ L% R8 t- Q3 G4 @: o
    正在想办法把这些明细数据爬下来，然而技术太菜
    ; R! k/ v% }! T" P+ m8 n
    回复 支持 1 反对 0

    举报

    alanpoon

    该用户从未签到
    发表于 2019-9-5 22:07:55 | 显示全部楼层
    正想找高频表导入欧路背单词，楼主可否分享词频表？
    回复 支持 1 反对 0

    举报

    cwx
  • TA的每日心情
    无聊
    2019-9-7 16:11

    • 签到天数: 13 天

    [LV.3]偶尔看看II
    发表于 2019-9-6 19:05:02 | 显示全部楼层
    求分享csv格式单词表
    回复 支持 1 反对 0

    举报

    abnerzzz
  • TA的每日心情
    衰
    昨天 06:13

    • 签到天数: 904 天

    [LV.10]以坛为家III
     楼主| 发表于 2019-9-7 10:36:30 | 显示全部楼层
    反馈一下iweb语料库爬取进度，暂时保存的都是html格式
    8 T% u, K0 G7 l) |
    ! C6 K" C3 Q2 a" D有没有大佬原因做成mdx
    % |2 t- d5 u5 c/ y

    本帖子中包含更多资源

    您需要 登录 才可以下载或查看，没有账号？免费注册

    x
    回复 支持 1 反对 0

    举报

    yaknow
  • TA的每日心情
    奋斗
    2020-7-12 05:59

    • 签到天数: 97 天

    [LV.6]常住居民II
    发表于 2019-9-10 17:08:07 | 显示全部楼层
    可以的,个人赞成有偿服务!
    回复 支持 1 反对 0

    举报

    返回列表 发新帖
    高级模式
    B Color Image Link Quote Code Smilies
    您需要登录后才可以回帖 登录 | 免费注册

    本版积分规则

    小黑屋|手机版|Archiver|PDAWIKI |网站地图

    GMT+8, 2024-4-24 04:31 , Processed in 0.102024 second(s), 11 queries , MemCache On.

    Powered by Discuz! X3.4

    Copyright © 2001-2023, Tencent Cloud.

    快速回复 返回顶部 返回列表