掌上百科 - PDAWIKI

 找回密码
 免费注册

QQ登录

只需一步,快速开始

查看: 316|回复: 11

[存档] 制作词典的一些心得

[复制链接]

该用户从未签到

发表于 2020-7-13 17:46:58 | 显示全部楼层 |阅读模式
一、excel文件的合并
( f7 f0 F9 P/ v9 {0 F& t: d用wps非常方便: `) `& f" x7 X  P5 O
二、数据遗漏检查
% x: P. u8 Q( r6 f) h2 I6 U- @/ `数据所在网址如是连续的,在抓取时连网址一并抓取,然后用excel查漏。具体做法是先把网址中的数字复制到表格A列,在B列输入公式=SMALL(IF(FREQUENCY(a:a,ROW($1:$32821))=0,MMULT(ROW($1:$32822),1)),ROW(A1))进行计算。其中32821等替换为网址中的最大数字。5 ^5 f( w5 i, `; |6 r
三、参见跳转& y4 O2 O& I# k3 w) |
如果参见后的条目较多,可先用正则式(“.+?”。)全选相应文字,再用(“.+?”)在选区内替换。
) W4 h1 r! j8 }+ P四、目录制作
: F' U1 g+ W& t如果是多级目录时制作较为麻烦,利用excel,一级目录在第一列,二级第二列,依次类推,其中细节处理用好公式,不再详述,最后目录加上p标签,条目加上a标签即可。
. |8 C+ s: m/ s3 a五、特殊序号
( W+ E6 a! q& h6 U* Y处理特殊序号,如带圈数字,可上网查找其起始值的unicode码,如\u2460,一般终止值设为\u2490已经够用,在emeditor中用[\x{2460}-\x{2490}]即可对其处理。
, w9 G; b2 p6 I+ }# ]! s3 V+ u
( w0 r$ {8 I- i4 [( F以上是自己摸索到的一点经验,不揣浅陋,不当之处望指正,更希望能起到抛砖引玉之效。
  • TA的每日心情
    开心
    1 小时前
  • 签到天数: 579 天

    [LV.9]以坛为家II

    发表于 2020-7-13 18:42:38 | 显示全部楼层
    Thanks for sharing.
  • TA的每日心情
    擦汗
    2020-1-9 13:35
  • 签到天数: 178 天

    [LV.7]常住居民III

    发表于 2020-7-13 22:06:07 | 显示全部楼层
    先收藏了,有时间了,配合bt4baidu版主的爬网页方式试试
  • TA的每日心情
    奋斗
    昨天 08:30
  • 签到天数: 84 天

    [LV.6]常住居民II

    发表于 2020-7-14 21:41:52 | 显示全部楼层
    会编程会不会快点
  • TA的每日心情
    擦汗
    5 天前
  • 签到天数: 127 天

    [LV.7]常住居民III

    发表于 2020-7-15 21:09:34 | 显示全部楼层
    williamson 发表于 2020-7-13 22:06. D# A. }8 g# @8 Y- z0 L8 N
    先收藏了,有时间了,配合bt4baidu版主的爬网页方式试试
    - [+ C8 a/ I, Z6 T6 v
    少年,会不会汉语语料库制作技术啊?个人不是技术控,在这方面有点瓶颈
  • TA的每日心情
    擦汗
    2020-1-9 13:35
  • 签到天数: 178 天

    [LV.7]常住居民III

    发表于 2020-7-15 22:42:58 | 显示全部楼层
    泥瓦匠萨奇 发表于 2020-7-15 21:09; y; Y' f2 j2 e1 \, H
    少年,会不会汉语语料库制作技术啊?个人不是技术控,在这方面有点瓶颈 ...
    9 F9 b8 N" j% Y" G! V
    汉语语料库,
    - e0 ^, P* U9 s/ F& u2 ?* W您知道这是一个多大的工程么?
    ' |0 s9 B7 Q  f% a2 ]- l语料库,对于汉语,得先确定字正确,其次是语句有无问题,是件大工程
    ' g1 n  s/ O. H# A) A- a
    0 g  {4 X% J7 x- ^* x9 h对于语料库制作,无外乎两种手段:3 I& B; ~5 a& x5 \5 `1 h
    一是爬取现成的语料库,小白也能学的爬虫技术,是咱们论坛大佬发的https://www.pdawiki.com/forum/thread-13219-1-1.html
    3 C  u% {8 @6 i: H) ]+ O对于爬取我个人是推荐的,你只要按部就班,按着大佬说的,他说一步,你走一步,肯定会成功,而且省不少校对的时间
    5 Q) A8 w$ u; h& W二是利用OCR的技术,可以是ABBYY finreader OCR的,也可以是tesseract的OCR,前者可以大面积,批量的识别,后者则是手动取词,不过两者利弊明显:
    0 I. a' f+ }: C4 ?3 x/ Y7 |ABBYY虽能批量识别,但错误很多,需要投入大量校对时间;tesseract,虽是手动,但准确率很高" Y2 R; i/ P! y, ?# S+ I) r
    至于自己利用python写个脚本,把tesseract当成ABBYY来用,对于咱们小白来说无疑是不可能的
    6 D1 I6 J5 ]4 \/ w0 y
    ( A" m+ p) p7 x/ l" a+ U所以,鄙人不推荐你制作文字版语料库,太费时间,个人没有这个精力,如果你是干这份工作的话,校对无疑占用最多的时间。如果不是,那么就奉劝,量力而行,没必要非得费那么大精力去做一个不太讨好的活
    9 Z/ g2 j7 E" V0 k1 S; W) `  a1 i如果你能发几张截图关于你的语料库制作,我想先看看,看能不能帮到你,毕竟没看到实图,不好说
  • TA的每日心情
    擦汗
    5 天前
  • 签到天数: 127 天

    [LV.7]常住居民III

    发表于 2020-7-16 10:17:51 | 显示全部楼层
    williamson 发表于 2020-7-15 22:421 X& G$ k9 ^* V) X1 R- T+ x
    汉语语料库,9 [+ d, K! {* s) {
    您知道这是一个多大的工程么?
    ' V* M, r2 [3 A* z- g语料库,对于汉语,得先确定字正确,其次是语句有无问题,是 ...

    ' c3 m- H7 T8 ~9 L. S: S, q抱歉,抱歉!没想到这竟然是这么一门高精尖的技术活我的想法很简单,就是想把民国以降的武侠小说文本归拢到一起,然后进行词频统计,得出一份专属的历史文学语汇集,方便自己写作参考之用。不过昨天试下了网友给的rost cm6软件,压根用不了,分词功能可以正常使用,但一到词频统计就报错,压根不能用。
  • TA的每日心情
    擦汗
    2020-1-9 13:35
  • 签到天数: 178 天

    [LV.7]常住居民III

    发表于 2020-7-16 10:42:51 | 显示全部楼层
    泥瓦匠萨奇 发表于 2020-7-16 10:17, f9 y2 `9 I# f% l9 ~' @
    抱歉,抱歉!没想到这竟然是这么一门高精尖的技术活我的想法很简单,就是想把民国以降的武侠小说 ...

    ' u2 m( J3 \1 J% l8 c首先这个先保证每个字都对呀,有很多错别字就会导致写作出现纰漏,你可以去搜搜小说集,咱们论坛有文字版的,不过错误很多,你可以去看看那个( S" m9 |3 j$ \- l
    你看看那个就知道汉语字典文字版有多么难做!个人力量太微小了,而且还是没有报酬的事,如果你执意于此,我精神上鼓励你,支持你
  • TA的每日心情
    擦汗
    5 天前
  • 签到天数: 127 天

    [LV.7]常住居民III

    发表于 2020-7-17 11:42:44 | 显示全部楼层
    williamson 发表于 2020-7-16 10:42: U; e. A1 c- H) u& E5 \
    首先这个先保证每个字都对呀,有很多错别字就会导致写作出现纰漏,你可以去搜搜小说集,咱们论坛有文字版 ...

    : X4 i4 j  M& v6 y1 ]最近有个计划就是通过abbyy软件按部就班的将文史出版社出的那一套民国武侠小说文库转制成txt文本,估计真得耗费几个月的时间,但是成就感满满的。有时候都觉得这么好的大家宏编巨著却湮没无闻,声量还不如那些动不动碾压古龙比肩金庸的流量小说大,想想真的挺吊诡的(= ̄ ρ ̄=) ..zzZZ
  • TA的每日心情
    擦汗
    2020-1-9 13:35
  • 签到天数: 178 天

    [LV.7]常住居民III

    发表于 2020-7-17 12:20:43 | 显示全部楼层
    泥瓦匠萨奇 发表于 2020-7-17 11:42
    ; ^8 C; S% Q* \  W2 F% K5 d最近有个计划就是通过abbyy软件按部就班的将文史出版社出的那一套民国武侠小说文库转制成txt文本,估计真 ...

    ! u+ `8 ^9 z; W) k我觉得个人做那个难度相当大,您不妨考虑一下制作图片版,也可以是切图,使之适合手机,文字版那是出版社的事,个人完成那么大的工作量,太难,你整天校对,也得半年以上,如果书不是很多,那就去做吧,我有时间也会帮你的
  • TA的每日心情
    擦汗
    5 天前
  • 签到天数: 127 天

    [LV.7]常住居民III

    发表于 2020-7-22 19:40:09 | 显示全部楼层
    williamson 发表于 2020-7-17 12:208 ]9 v7 k4 v. Y, ]
    我觉得个人做那个难度相当大,您不妨考虑一下制作图片版,也可以是切图,使之适合手机,文字版那是出版社 ...
    3 J: a2 h; {! A/ {; ?
    工程量倒也不是说很大啦,abbyy扫描质量甚佳,基本上手动校订的比例很小,一本书大概3个小时左右可以出粗加工的半成品。主要是时间没那么充裕,只能周末两天才能腾出手来。
  • TA的每日心情
    擦汗
    2020-1-9 13:35
  • 签到天数: 178 天

    [LV.7]常住居民III

    发表于 2020-7-23 08:33:47 | 显示全部楼层
    泥瓦匠萨奇 发表于 2020-7-22 19:40
    6 _! m# c9 r' r) V3 p1 A6 H/ d工程量倒也不是说很大啦,abbyy扫描质量甚佳,基本上手动校订的比例很小,一本书大概3个小时左右可以出粗 ...

    & k* i- g+ m& h/ V3 D+ E那就好,看来你的清晰度可以,清晰度差的话就麻烦了
    您需要登录后才可以回帖 登录 | 免费注册

    本版积分规则

    顶部qrcode底部
    关注公众号送论坛充值码
    关注微信公众平台
    关注微信公众号 pdawiki,获取邀请码,看文抢积分,抽奖得浮云! Follow our Wechat official account "pdawiki", get invitation codes, and play the lottery to earn points (积分)!

    小黑屋|手机版|Archiver|PDAWIKI |网站地图

    GMT+8, 2020-8-16 01:35 , Processed in 0.039672 second(s), 6 queries , MemCache On.

    Powered by Discuz! X3.4

    © 2001-2017 Comsenz Inc.

    快速回复 返回顶部 返回列表