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: 941|回复: 11

[讨论] 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
本帖最后由 sxingbai 于 2020-8-25 13:15 编辑 8 x1 v9 A+ \. T% i% U7 ^
7 N3 |+ {0 n2 Z; w
一、excel文件的合并8 w+ q" o! K( L3 q
用wps非常方便! _4 o; ?- @! X& f& @; Y
二、数据遗漏检查9 ^' D# w- Z% X! ^2 [+ {
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:$32822),1)),ROW(A1))进行计算。其中32821等替换为网址中的最大数字。  \, X  U. D1 e7 K$ `, m9 M9 n+ x
三、参见跳转8 z$ B7 \0 M7 C8 M& N& I8 j" O
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。# c" Z& D/ O8 ^8 a9 T
四、目录制作  ~) w; t! O; d8 e9 @- y0 }
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。
1 Y. ^: P: x" b9 C五、特殊序号
. _& Y% H! q  z! G' v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。, c" e, F5 _2 d: q/ n$ Y( M8 }
六、多对一9 D+ K, ~# i3 D0 g0 u/ h; J" f
([^✐])◐(.*?)\|(.+)$-->\1=\3☁\2✐◐|\3。表达式|是多与一的分隔符,◐是多之间的分隔符,=是连接符。多次替换,一直到不能替换为止,最后处理掉无用的东西。这个用excel也行,不过也麻烦。' d' q+ F1 x7 U, r) J
: f# `7 p+ e* U6 V& v2 r
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
    2023-6-27 08:22
  • 签到天数: 1501 天

    [LV.Master]伴坛终老

    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
    2 小时前
  • 签到天数: 626 天

    [LV.9]以坛为家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

    2024-3-17 11:32
  • 签到天数: 157 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
    ( r- ]) \, H3 G( d8 C先收藏了,有时间了,配合bt4baidu版主的爬网页方式试试
    5 I: P, N/ B1 G! C# m1 `1 s( g# p
    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( e% H9 [, K. U; F3 l
    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 ...
    ( v* x  O  \. P) u
    汉语语料库,
    " |! s+ Y3 D7 H$ y6 Q: p您知道这是一个多大的工程么?4 H# N4 y0 h# ~( ~  |
    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# D4 j0 A* t+ a( B
    8 c* F) a- u* R! j1 W7 x$ c
    对于语料库制作,无外乎两种手段:
    ! n- n1 B  o2 U6 U: W5 `1 b2 u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.html8 b+ l4 L5 L# ^) s. `
    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
    ) w2 w+ ^6 Z* i1 e& g# j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:
    ) V; G, c4 a8 B5 x  C( fABBYY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
    " }! O0 Y' r- L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- j; j; R0 _& J+ l
    & q" d2 p7 x0 y0 b% T4 f
    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
    ( M$ n. ?0 ]4 a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

    2024-3-17 11:32
  • 签到天数: 157 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 22:423 y6 F. E3 ~; r5 n  s- ?8 E
    汉语语料库,: @5 d/ H3 W8 q2 h" N" t
    您知道这是一个多大的工程么?
    # r7 D. L0 a* Z# C' h) Q语料库,对于汉语,得先确定字正确,其次是语句有无问题,是 ...

    4 j  o8 N% t$ r2 D% G" v3 y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
    & m0 `. c' A* G7 i( ^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 ...

    0 ~; Q& j- B* l; U+ u" O3 L: y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
      S1 O$ v1 V9 R# z: v5 {! C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

    2024-3-17 11:32
  • 签到天数: 157 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
    - V3 K: ^, ]& f7 I$ I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 ...
    * g6 o. Q3 o9 r
    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
    : Q; B: a' B8 C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 ...
    9 y# V; l/ Q4 ~( D
    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

    2024-3-17 11:32
  • 签到天数: 157 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 12:20* ~" X" Q: _4 Z% K- X
    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 ...

    * h; w' q" M7 [2 h% p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
    * |; C( _) h, O/ 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 ...

    2 N  O+ C0 J/ {; t  a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

    小黑屋|手机版|Archiver|PDAWIKI |网站地图

    GMT+8, 2024-3-29 18:53 , Processed in 0.030456 second(s), 8 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