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: 6707|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
    2024-9-30 19:40

    • 签到天数: 1012 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。
    + v& u8 s3 X7 q& ]& e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。
    - q  }: x/ X% P1 [' P" ?+ J* _3 Z8 {: ], ~9 H

    , `9 |, Q# H( n% E+ Z2 N: x
    9 k: X/ D3 V- P5 S
    & \+ S. w  r) k, N5 F7 M2 V# ^8 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。3 ^) J# l& f8 `! P* Z1 x+ b9 [
    + L. U0 M( u/ Z6 \+ R
    1. https://www.pdawiki.com/forum/forum.php?mod=viewthread&tid=33399&highlight=iweb
      4 i& O( b! H/ X& J( a' z- o
    2.   K4 X) m4 i; ]( z
    3. https://www.pdawiki.com/forum/forum.php?mod=viewthread&tid=33281&highlight=iweb
    复制代码
    4 K0 m$ ^( |; J

    ! a0 `" M( w: N. x* ?1 u7 k7 X$ ?* t/ b5 s
    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。& m- b' @+ y1 C4 x' j; n( K  |

    / I: c$ i% f( W) @- K
    # L5 _/ X2 v) i9 d5 }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。' k' O! {. l9 g4 B2 n% H/ [
    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。
    : I+ Q* i$ ~' h
    # M, c3 `; k' n" ~% H$ l大家有什么想法，可以提提啊。
    ) I, v% g# E' d( {, t7 r" I- 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。
    ' @4 V$ o( z, G. V% F4 ^
    . u- W4 R  F6 F
    / m- m) V( L. }- k$ F4 W2 U- ^0 [7 N  s. U; F2 w7 ~, ?

    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
    - O7 `! R( z3 ^, V7 M# w! x. _  @+ N% F5 h# Z3 L9 Z
    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。8 o% M( M; X& a+ _

    - f; W) }  C: n7 U* l% V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”]），
    : R/ }+ o. E1 g8 D0 Z) B功德无量哦
    6 q3 w/ Z9 o$ L2 D2 C  k" o9 _' S: N
    我今年年初的时候BT（magnet:?xt=urn:btih:EEBAC1F45D81FC3EEA92A7C6CC7179C863E290B9&tr=http%3A%2F%2Fbt4.t-ru.org%2Fann%3Fmagnet）
    % S9 {+ C7 W! n/ h! d: T下载了一份COCA 2012年的原始数据，
    , Z" S! B9 x$ v$ _
    ( T3 l2 J# t! x/ C6 z# P* J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）! ?$ ^& \4 L- b0 s+ w( X
    7 w0 g5 N: i4 {) `
    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。  V8 t" f( F* F
    + f5 Q3 d, j; ^8 N: L/ O, V
    等下完了就放出来希望有人做个词组（or搭配）的词频...
    * Z5 M6 [- \; P: H7 G  P) x, A1 s2 x. c' A4 e, Q. G- Q; _
    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？？？
    , Q: x+ R0 {8 `6 N  o+ Z) p
    回复 支持 2 反对 1

    举报

    abnerzzz
  • TA的每日心情
    衰
    2024-9-30 19:40

    • 签到天数: 1012 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
    2024-9-30 19:40

    • 签到天数: 1012 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
    5 M' K8 ?3 @: _. ~, i0 K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。
      y) k  B, b5 n3 ?  u
    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
    怒
    2026-5-4 21:34

    • 签到天数: 48 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
    怒
    2026-5-4 21:34

    • 签到天数: 48 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
    2025-9-10 20:08

    • 签到天数: 250 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
    ) @" e. v( @" N; I; V  r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 ...

    " i7 b" H9 L# ?+ [* N; M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
    2024-9-30 19:40

    • 签到天数: 1012 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 13:25
    ) r: V% _/ I) }# W期待iweb的排序版啊，这个语料库收词量比COCA大了很多

    2 M) z3 v  R5 X: v" V& y5 x! G+ ziweb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
    2024-9-30 19:40

    • 签到天数: 1012 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" n. [1 ]9 W. x& I% R2 L8 C

    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
    2024-9-30 19:40

    • 签到天数: 1012 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' d- F  s3 t' V) _+ ^0 v% W
    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。

    ; i9 R; b7 x1 ~; W0 g6 Fiweb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）。
    5 i" e. c) |, u9 L+ k. T8 X正在想办法把这些明细数据爬下来，然而技术太菜2 y& R, T; i' v
    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
    2024-9-30 19:40

    • 签到天数: 1012 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; M  E2 ]! e; {8 \9 {/ Y
    1 l7 c. }0 G" M: j2 }
    有没有大佬原因做成mdx
    , H, l/ H( t/ x& V3 X; {% i

    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, 2026-6-24 18:16 , Processed in 0.024489 second(s), 26 queries .

    Powered by Discuz! X3.4

    © 2001-2023 Discuz! Team.

    快速回复 返回顶部 返回列表