【史上最全】在线词典抓取、制作技术汇总

bt4baidu

这篇文章主要是给计算机小白和初学者扫盲。
本人尽量写得浅显一点, 希望完全没接触过计算机编程的文科生也可以看懂。
只讲原理和思路, 具体的编程语言、语法之类的问题自己找资料解决，网上到处都是。
+ y# {9 @+ E: f7 G: V. {
一、计算机的两个终极哲学问题
1936年，图灵在他的重要论文《论可计算数及其在判定问题上的应用》里，提出著名的“图灵机”的设想。
图灵机被公认为现代计算机的原型，它的工作原理简单来说是这样的：
% O! e, Q/ M( g) t6 R设想一条无限长的纸带，上面分成了一个个的小方格，方格有两种：空白的和上面有“—”的；
机器读入纸带上的方格信息，根据这些信息, 结合自己的内部状态查找程序表，输出计算结果。
# m% ^$ r! ~) x, [+ S* `+ @方格信息代表了解决某一问题所需要的步骤，这样进行下去，就可以模拟人类的任何计算过程。
“纸带方格”代表外部输入，“内部状态查找程序表”代表算法——也就是程序，要靠人来写的。
  |. o8 Y4 Y# X. R; v' z
那么要写出程序，立即就会发现不得不解决两个问题：
1、怎么知道机器当前读入的是哪个方格？怎么读到具体某一个方格？也就是寻址。
2、怎么把两种方格区分开？也就是特征识别。
2 P  s0 U4 ^: f$ U8 ]这两个问题，就是计算机的终极哲学问题。
+ X7 `+ U5 I" q: |7 S! S& ?. |理论上，所有的计算机程序问题都可以逐步分解下去，最终分解为这两个基本问题。
- j8 a, I# X( v2 B6 L2 Q2 C+ Q下面的讲解也会以这两个问题为核心展开。
, F1 a! D' r( h- y, b4 E
BTW, 如果你能想通这两个问题，遇到编程问题都可以这样子分解一下，把自己想象成一台图灵机，
——所谓“采用程序化思维”，也就相当于打通了任督二脉，立即具有了至少10年的编程内功。
" E" {8 Q6 \0 ]- J7 x7 ~- ^* f所谓编程，本质上就是一种读取、存放、组织、区分数据，然后按照具体业务计算出结果的活动。
4 {' ~* J4 P9 |6 |. Y前者是核心，“我强烈建议围绕着数据来设计代码，而不是反其道而行之...坏程序员总是担心他们的代码，
而优秀的程序员则会担心数据结构和它们之间的关系。”——Linus曰。
, R2 n* v% P" }/ v' W3 e$ u& d具体的招式，也就是某种具体编程语言的语法，花个半天功夫就能学会的。
3 ~: Q3 m+ Z2 Y1 i0 _
" E( g. u" W' [& [# a不要觉得自己上学时学的不是这个，or文科生，就不行。
江民杀毒软件大家想必都听说过。
创始人王江民同志，初中毕业，38岁才开始自学计算机，不出几年，就成为中国最早的反病毒专家。
咱不奢望成为专家，写写程序总还是可以的吧？

6 z# K" ~" o9 |9 P二、采用何种编程语言
上面已经说过，存放、读取、组织、区分数据是编程的核心问题。
显然，能够方便的进行上述四种活动的编程语言就是最好用、最易上手的编程语言。
! H) `- B% g2 `& t3 d) a抓网站，恐怕没有哪种语言比Python更方便。
$ u+ D5 C! W0 Q* h3 k- s当然，你要愿意，用C语言也不是不可以，不过可不是那么容易上手，
计算机专业的学生，有些到了大四毕业居然还搞不清何为指针、何为引用...这些家伙还是趁早转行，
9 m( e+ O- k' y9 u+ F. s& c4 H没有慧根就别吃这碗饭。
4 V! S9 S- B- N- I
三、网站抓取技术
1、下载某一个网页，提取其内容
以前写过一篇，就不重复了。参考：
7 p0 d6 k8 e/ ~* Q3 O! P用一个简单的例子讲讲怎样从网站上扒数据
& j0 a/ U7 b' {' Z# O& j
9 K0 T- Q2 |% a, F  s; `9 G$ M2、寻址问题
下载网页，自然首先要知道网址，也就是东西放在哪儿。
3 Y! C8 F2 k$ ?, j2 ~如果事先有个单词总表，那是最简单不过，立即就可以根据网站的网址规则拼出来。
但是大部分在线词典，到底收了多少单词，事先是完全不知道的，
要把单词弄全，就要想办法得到每个单词的网址。
总结各主流词典网站，大概可以分为这么几类：
# X( j; `/ p! o0 p/ }: n/ LI. 事先有单词总表
比如http://www.vocabulary.com就是这种类型。
它是在wordnet3.0的基础上编纂的，直接用wordnet3.0的词汇表拼网址就可以。

% e/ }  O+ m. b0 YII. 网站有索引页面
. a7 F8 J" A/ Y  p% Z如：
7 g, c8 n8 y1 TOALD（http://www.oxfordlearnersdictionaries.com/）
2 v% L4 v* q! T; C( I它的索引页在 http://www.oxfordlearnersdictionaries.com/browse/english/
LDOCE（http://global.longmandictionaries.com/）
采用框架结构，左侧边栏就是索引页
; s& Q3 q( J, ZMWC（http://www.merriam-webster.com）
) Q. D& R0 B* k5 v8 ^6 N索引页在 http://www.merriam-webster.com/browse/dictionary/
等等
这类也容易搞，思路是先从索引页得到单词表和网址，再一个个下载。

1. 
   ) L$ O; ]2 z* A0 ^9 `' E
2. urls = []
   . [( g1 b; K& I& r
3. for someindex in indexs: # 循环所有索引页
   ; V" Z* [$ |) ]# |; U& ]) A
4.     browseurl = ''.join(['http://somewebsite.com/', someindex])
   - q: c/ ]; i) o2 ?
5.     browsepage = getpage(browseurl) # 下载索引页面
   
6.     target = SoupStrainer('sometag', class_='target') # 抠出放单词链接的区域
   
7.     bs = BeautifulSoup(browsepage, parse_only=target)
   . Q  E( {6 x( `; X& D6 G- O
8.     if bs:
   
9.         for a in bs.find_all('a'):
   - f3 t& O8 j0 j0 i) {% D: h5 Y
10.             urls.append((a.string, a['href'])) # 取得该索引页上全部单词及链接
    
11. 然后：
    , k# Q. R/ ]7 @
12. for url in urls: # 循环所有单词
    
13.     wordpage = getpage(url) # 下载单词页面
    0 X: o1 Z4 k  _

复制代码

* Q7 `7 C' V5 h% b
4 D2 X+ r" A4 S4 X/ W& a" T. rIII. 索引页和单词释义一体型网站
如：Online Etymology（http://www.etymonline.com/）
和上述II.处理方式相同，在循环索引页的过程中把单词抠出来即可

1. 
   7 d4 s' L8 J0 Y4 o' k8 ^
2. for someindex in indexs: # 循环所有索引页
   9 _3 R' V, j# ^$ l# m
3.     browseurl = ''.join(['http://somewebsite.com/', someindex])
   . S$ ^9 w: y$ p& U9 T; n6 O6 }: w6 d$ q
4.     page = getpage(browseurl) # 下载页面
   
5.     target = SoupStrainer('sometag', class_='target') # 抠出放单词的区域
   3 ]7 L4 M/ P5 ]# _
6.     bs = BeautifulSoup(page, parse_only=target)
   
7.     for tag in bs.find_all(target): # 循环抠出单词
   % [3 R9 H  o- H4 f$ W" r
8.         worddefine = getworddefine(tag)
   

复制代码

' ^. H7 H. f) b. BIV. 片断索引型网站
+ I2 x0 S4 p$ H2 `) B如：
ODE（http://www.oxforddictionaries.com/）
每查一个单词，右侧边栏有个Nearby words
RHD（http://dictionary.reference.com/）
4 Q# V3 B; ~$ n4 ~. u" ~右侧边栏有Nearby words
( O6 f! t1 I$ I/ ~# T1 ]! e. x: kCALD（http://dictionary.cambridge.org/）
在页面的最下面有个Browse栏，给出前后相邻的单词
! b0 C; T4 u" A6 t5 O这类网站没有总索引，只好利用它的Nearby栏。
思路是从第一个单词（一般为‘a’或者符号数字之类的）开始抓，
每抓一个单词，同时得到下一个单词的网址，直到最后一个单词结束（一般为‘zzz’什么的）
8 t8 u2 C% L% N! U& d9 s

1. 
   
2. cur = 'a'
   
3. end = 'z'
   
4. nexturl = ''.join(['http://somewebsite.com/', cur])
   ) ]8 }# N+ U5 }1 p! ?4 Y+ I, _
5. while cur!=end and nexturl:
   - ^+ u5 U+ s& F8 D) ?" m) E
6.     page = getpage(nexturl) # 下载单词页面
   4 \5 q% h, I3 N+ ]" B/ W3 S1 ?
7.     worddefine, cur, nexturl = getword(page)  # 得到本单词释义、下一个单词及其链接
   1 @; v& Z/ h7 ]7 O5 u4 g0 z& E

复制代码

) d: j/ @; \( i
V. 完全没有任何索引，那就没法子了
当然穷举算是一个办法，自己搞一个庞大的单词表，然后按I.的步骤处理
理论上也是可以的，就是效率差一点；
) I4 j, Q$ M( g1 S: |4 I" s* P另外各家新词收录情况不一，有些词组、短语拼法也不太一致，单词表准备得不充分就没法完全网罗。
8 A6 v+ ]$ k/ j+ F% n
3、提高下载效率
I. 多进程
上面写的都是伪代码，也就是简单示范一下处理流程，直接写个循环了事。
: o" K% l9 k% u2 j; i实际抓网站时，这么做效率显然是非常低的。
假如有十万个单词，每个单词需要1秒，循环十万次就是差不多28小时，要花掉一天，
有些网站还经常抽风，半分钟下载不了一个单词，那就更慢。
: r" k$ M# n6 O/ |  t  i" T' B假如在这段时间内，你家猫咪把电源插头给挠掉，或者键盘被女秘书不小心坐到了呢？
要速战速决，就得开多进程。
同样十万个单词，分成25个进程下，也就是28/25=1个多小时。
再开多一点呢？岂不更快。。。那样硬盘就转不动了，所以也是有极限的，要看PC的配置。
% V! E: p7 L  s$ v  L5 e6 r) ]! ~% \+ K在Python里开多进程，同样十分简单，
+ z( b0 _0 |8 Q

1. 
   5 \; A& m# m' n9 Z# N
2. from multiprocessing import Pool
   
3. pool = Pool(25) # 开25个进程
   
4. pool.map(downloadloop, args) # downloadloop是下载函数，args是其参数
   8 x' e) T; c- `" W/ u- |

复制代码

这就搞定了。

对于上述I.~III.，包括V.，分块比较容易，无非是把一个大数组分成25份，
关于IV.，事先没有单词总表，就只好采用区间的概念，
比如('a', 'b'), ('b', 'c')。。。这样划分若干个区间下载
" E9 p  N% W2 |
9 n" t! `/ Z6 m$ o; D/ N初学编程的人，一碰到进程、线程，常常有种畏惧感，
看到同步锁、共享内存、信号量什么的顿时觉得头大。
其实没什么好怕的，这是个寻址问题，关键是搞清楚它的内存空间构造是怎样的，
! W7 @8 a; O, z( \其中涉及到一点操作系统、读写互斥、原子操作的概念，找相关的书了解一下即可，没有特别难以理解的。

II. 断点续传
事情永远不是那么完美的，网络连接随时有可能中断，网站可能存在瑕疵、死链。
/ v! m7 |9 y" s. W! [* z所以下载程序也要有点容错的功能，最好莫过于可以自行从中断处恢复，完全无需人工干预；
即便无法自行恢复，也得容易手工处理，不然可有的烦了。
) I. m* c0 U( |2 D& l8 v这也是个寻址问题：关键是搞清楚从什么地方断的，把它标记下来；循环检测没下完的区块，从中断处接着下，
/ q. A  l* e( u1 q6 q直到所有区块下完。
$ d9 k, M% ]2 U% o) L/ a7 \2 I6 z

1. 
   
2. def fetch_a_word(part, word, url, data): # 下载一个单词
   $ b3 v4 d! e% `$ N/ f6 y
3.     word_define, failed = get_a_word_from_website(word, url)
   8 s3 b. @- u2 U  {+ z" g
4.     if failed:
   " U- P8 a; N: `. K
5.         dump_failed_word(part) # 输出下载失败的单词及网址
   + c& a5 r$ z$ t% ?; ?
6.         return False
   
7.     else:
   5 n* ?2 Z* F! t9 Q0 {; h
8.         data.append(word_define) # 保存下载成功的单词数据
   8 k, F3 N  z  V5 ~; G
9.         return True
   4 ?; ^5 e9 E0 Y. y8 {
10. 
    
11. def download(part): # 下载一个区块
    ! i3 I0 Y" J+ E+ R# o
12.     words = getwordlist(part) # 读取单词总表
    
13.     if hasfailed(part):
    
14.         word, url = read_failed_word(part) # 读取前次下载失败的单词及网址
    
15.     else:
    # j- I, q/ S- M. B
16.         word, url = words[0] # 首次从头下载
    - q" u- b4 ?, H9 [5 X
17.     data = [] # 用来存放单词定义
    
18.     while not_end(words): # 循环下载
    & I& v" ^* e: ]
19.         if not fetch_a_word(part, word, url, data):
    2 Y+ j1 {' E: k2 @/ N
20.             failed = True
    
21.             break
    
22.         else:
    5 C4 H8 W6 J8 \' X
23.             word, url = get_next_word(words) # 准备下一个单词及其网址
    
24.     if failed:
    8 M$ g1 Q# w5 j4 ?( r6 Y/ |9 t
25.         suffix = '.part'
    1 G* P1 R8 a: [  g3 H& Z
26.     dump_data(data, suffix) # 输出下载成功的单词，若因下载失败中断，文件名加后缀'.part'
    
27. 
    9 P. O6 N4 w- c0 w( v
28. def isfinished(part) : # 判断某区块是否下载完成
    
29.     if is_data_file_exists(''.join([path, part])): # 通过检查数据文件有没有生成来判断
    
30.         return True
    
31.     else:
    
32.         return False
    : j8 W2 I- t$ J4 ?2 \
33. 
    
34. def downloadloop(): # 循环检测未下完的区块
    $ D0 {9 R/ d' r
35.     finished = 0
    
36.     while not finished:
    
37.         nf = [] # 没下完的区块
    
38.         for part in parts:
    0 M0 s  I2 d, E" ~- N
39.             if not isfinished(part):
    6 O, m( t1 q7 \( _
40.                 nf.append(part)
    4 u) i& `) @: z# F& C/ a/ T9 R- o( r( L
41.         finished = not nf
    # i8 v5 [# _" ]$ A3 `, _' _8 ]
42.         for part in nf:
    
43.             download(part)
    0 p4 i- ^0 x8 ~# i

复制代码

. F3 p) I) q2 c8 fIII. 高速下载网页的小技巧
Python里面有三个库都可以用来下载网页：urllib2、urllib3和requests。
其中urllib2是Python原生的，urllib3和requests为第三方库。
（似乎Python3已经把urllib3收编为正规军了）
( Y; ~- z+ c# A) w& Q3 ~; T这三个库有什么区别呢？
4 o5 i& z2 g0 U. E% p( r形象点说，urllib2相当于去别人家“拿”东西，开门只拿一件，然后关上门，再开门拿下一件的家伙。
再笨的贼也没有这么干的，不停地开、关门太浪费时间，也容易招警察；同样，频繁连接也会网站被封IP，
# S0 N1 g& S- O. l( q! Y1 ]" g) r, f所以urllib3在urllib2基础上加了一个HTTP连接池，保持连接不中断，打开门以后一次拿个够，然后关门走人。
+ _' o# `" X' P( X' g但是urllib3有个问题，它不支持cookie，所以无法保存用户信息，遇到需要登录的网站就没辙了。
9 E8 R( P5 I! o/ I, z4 @2 ?5 W这时候就该轮到requests出场。requests在urllib3的基础上又进化了一步，它可以通过session来保存用户信息，
1 e0 }7 ^9 d& p% c0 ?- x2 x通吃一切网站。
  f& D6 V0 t4 J所以你完全可以只用requests，忽略另外两个。不过我一般习惯用urllib3，只在需要登录的时候才用requests。
这仨库的用法都非常简单, 两个第三方库都有齐全的文档可供随时参考，虽然大多数功能都用不到：
http://urllib3.readthedocs.org/en/latest/
http://docs.python-requests.org/en/latest/：

1. 
   
2. #urllib2
   6 ?1 Q* C2 i9 e2 \3 Q4 p0 W
3. import urllib2
   9 \5 Q* E7 u- X! k; _
4. def getpage(url):
   1 Z- w) T, S% y2 E
5.     req = urllib2.Request(url)
   3 `4 o+ P' e! s( T/ ?
6.     response = urllib2.urlopen(req)
   
7.     page = response.read()
   ; }+ f& \& H# i: W
8. 
   
9. #urllib3
   ) @& e7 C7 D) g3 v. A
10. from urllib3 import PoolManager
    
11. http = PoolManager()
    
12. def getpage(http, url):
    
13.     r = http.request('GET', url)
    
14.     if r.status == 200:
    
15.         return r.data
    # a' a' X1 v8 h
16.     else:
    
17.         return None
    
18. 
    " ^9 m: r! a# y7 K# _
19. #requests
    
20. import requests
    
21. session = requests.Session()
    
22. def getpage(session, url):
    
23.     r = session.get(url, timeout=10)
    
24.     if r.status == 200:
    8 I# Q, A& i2 \9 b8 s! x
25.         return r.content
    + t8 S/ t1 Q/ N- A
26.     else:
    2 t2 X2 t6 P1 R2 W' w  W
27.         return None
    ) W& `( l5 o7 }! \5 \5 `

复制代码

/ z8 E. g" b! W$ o) g四、后期制作
( K6 c9 J  ?  b7 j1、文本处理，是个特征识别问题。
本质上是找到满足某种模式的一串数据，按一定的规则转换成另一种模式。
/ o  L6 C6 X& C% b' T5 v- t当前的大热门：生物识别（人脸、指纹、静脉、虹膜。。。）、语音/摄像头输入（智能家电、自动驾驶。。。）
都涉及到特征识别问题。
相比这些高难度动作，文本处理算是比较简单、基础。
3 [  v2 `' U0 w1 i* Z2 ~0 J7 c; MPython里常用的文本处理技术：正则表达式、BeatifulSoup、lxml
正则表达式非常强大，但没法处理递归嵌套的标签型数据
（如：<div>第1层<div>第2层<div>第3层</div></div>...</div>，这已经不属于正则文法的范畴）；
0 h5 j8 {  \1 O% t+ {BeatifulSoup/lxml可以处理嵌套的标签型数据，普通文本则无法处理。
1 `3 ]: K% Q4 y2 l所以常常要结合使用。
这些难度都不大，关键是胆大心细、思维缜密，不厌其烦，慢工出细活。
4 B# t( v6 y5 y* `/ j3 b
  |: z0 X& k! ^6 I- c. Q. H3 ?: c2、排版
) E$ J8 X" h. Z" q2 e! pHTML、CSS的基础知识：
% b) s' I4 P; \http://www.w3school.com.cn/html/index.asp
http://www.w3school.com.cn/css/index.asp
http://www.w3school.com.cn/css3/index.asp
非常系统、非常全面。
排版词典需要用到的HTML/CSS知识并不太多，遇到问题参考上述网站即可。

- r  y/ w# T5 t% U五、结语
花点时间写个科普文，主要是考虑到确实有些文科同学or计算机小白想制作词典，但没有思路，无从下手。
所谓术业有专攻，为学有先后，总结一点经验分享出来，也算是对社会做点贡献——
大家有个切实可行的方法参照，不至于绕太多弯路，浪费太多时间，从而节约了社会成本。
; R" w) d! S/ \/ _  f+ r
打算做万年伸手党的同学，本人也没想过要鼓动你们，继续做伸手党好了，热心人还是挺多的，时常有不错的新作发布。
! \  D$ I" J, j- f6 H! s
: c) g2 D5 E( K! ]& _+ S. B只是拜托不要打扰别人，真想要就自己动手。
尤其不要抱着“你手熟，水平高，做得比我快”的想法，觉得找别人做词典就特别理直气壮、理所当然。
水平再高也要花时间；同时，水平高也意味着其单位时间的价值要超过水平低的人。
) k# l: F+ J4 A6 g' O8 ~虽然每个人都觉得自己至高无上，应当受到别人重视，
* U) O8 `" m; H8 j) E8 c( k: h8 F其实“在你做出惊天动地的大事、拥有巨大名声之前，你在别人眼里就是个屁”——Bill Gates曰
' j( m6 r8 ?3 H8 b3 K& h  R

========
, T' g3 u/ x1 C5 ^7 s; ?% U' [六、拾遗
2 I0 @( r1 @; C) Y( h' s关于上述IV. 片断索引型网站，有坛友指出ODE、RHU等都有索引页，因此可以归到第II.类
确实如此
不过这里只是举例而已，不用太较真啦
实际操作过程中，由于网站可能存在索引不全、死链、交叉跳转及数据瑕疵，往往要将II.和IV. 的方法结合起来用，否则不是抓重就是抓漏
这种综合性的抓取方法，本人称之为单词表密集轰炸+广度扩展法。
即，
* Q0 V* Y  q2 T( f. u! w, Z7 P第一轮：先从索引页面获取全部的词头（集合A），再用这些词头去网站下载单词，同时提取每个单词页面里指向其它单词的链接（集合B）
7 k# R. h* ^4 D* y7 g* R第二轮：从集合B里删除已在集合A里的词头，得集合C；再用这个集合C里的词头去下载单词，并提取每个页面里的链接（集合D）
第三轮：从集合D里删除已在集合A和B的并集里的词头，然后重复第二轮的后几步动作
。。。
直到无法提取到新链接时，结束下载。大部分时候，第二轮结束时就已经提取不到新链接（即集合D为空）
最近新做的RHU、CED、WBD，均是采用这种方法，速度快，容错性强，效果极好。
( q( B6 V0 ?9 x9 V4 \  j0 b形象点说，这种方法相当于草原上先有若干个着火点，这些着火点会把其周围的草地点着，最终烧光整片草原。
因为一开始着火点就已经比较多（索引页的大篇单词表），所以会烧得非常快、非常完整。

bt4baidu

Oeasy 发表于 2014-10-24 18:41
感谢楼主分享知识和经验。

" d1 c% R. Y' A6 S" N, e: r每个人的时间都很宝贵。希望大家珍惜自己的时间，同时也要 ...

6 c2 e8 Q& R, m; u2 L现有的mdx词典，其实足够绝大多数人用一辈子的了

本人前段时间制作、收集了不少，经过一段时间的比较、试用、淘汰，只留下目前最常用的，也就八九本而已；未来相当一段时间内，本人应该是不会再出手的了，除非之前发的wish list里提到的几本有合适的数据来源。

* D2 B* ]3 `! \6 ]! w本人最常用的词典：
; L  a9 L, P# ]' Q, e7 {主力阵容：VOC、ODE、WBD。
三本都是中型词典，收词量均在14w上下，以本人目前的阅读面来看，还未遇到这三本里面查不到的单词、未收录的义项。据说史上掌握单词量最大的人是政治家兼散文家丘吉尔，也没超过14w。除非钻故纸堆，恐怕用到W3、SOED的机会不多。
1 J% m9 m  \) d  }% j" j3 o
" c8 m) F* j# B5 |7 `替补阵容：LDOCE、词源、短语8in1、韦小黄&韦小绿、Garner Usage。
  e: J$ P6 a4 DLDOCE用来查常用词的惯用法/搭配、语法信息；
词源用来辅助理解、记忆单词；
9 H; K9 J! z4 N* d短语8in1用来查漏网的惯用搭配、非正规用法；
0 {4 \6 _1 H3 f2 b- @韦小黄/Garner Usage用来辨析/比较同义反义、正误用法；
6 U. ?$ I+ o: H; Q' s8 `1 m韦小绿用来辅助理解、记忆大词。小绿真是本好词典，有人说里面收的单词都是一辈子才能见一次的那种，其实不然。它虽然只收了1400多词，却几乎都是高频的大词。从本人的使用体验看，查得率相当高。比如最近看新闻说一种超大蜘蛛，里面有个词arachnid。别的词典只是干巴巴地说4对脚的生物之类的，只有韦小绿说了它的来源：从前有个女孩叫Arachne，编织技艺了得，把雅典娜女神给比下去了，结果激怒了女神，被她变成蜘蛛，终身织网。这种解释多有意思，看了永远忘不了。

5 g5 s7 u# o" X/ F上述词典，坛子里都有，无非是版本新一点旧一点。比如朗文5和朗文6，有人统计95%以上的内容都是一样的。如果是完美性格，非要用最新版，那就只有自己动手。不会有人在词典出版的第一年就去挑战版权方的。
: H" n- v2 ^% [% \. r) H8 N“对于好学生，任何教育资源都应该是免费的”。虽然本人同意这种说法，也认为现行的版权制度存在重大问题——有人靠垄断知识获利，却完全合法；但是本人从未打算挑衅版权方，更未想过做Aaron Swartz那样的斗士。靠垄断知识获利是有点无耻，但如果没有利润，也就不会有人去做整理资料的事，这确实是个难题。

! ]% Y" m+ S# P% I. ?3 b. v还有些人没事喜欢收藏词典，收集了一大堆，却从来不用。说到词典收藏癖，想起以前的一位室友，那家伙每天最大的兴趣就是下载影片刻光盘，大概刻了几百张，还在不停地刻。但是从没见他看过，他也不让别人看。
( G5 Z. L2 V( j$ U% u这种癖好大概是来自于原始社会的一种遗传，人们总觉得应该储备点东西，说不定未来某一天就会用到。其实那一天说不定永远也不会到来，不如就把今天当作那一天好了。有多少人买了一书柜的书，到死的那一天都没看完，甚至有些书连封皮都没揭开过。
3 E/ I! c8 L( Y6 T& q* u

happlebao

针对

IV. 片断索引型网站

说一下。
* V! Q0 v% ~7 |4 p# L  K' c/ k其实只是你没有发现而已。
( N/ c! |0 ]/ w3 SODE： http://www.oxforddictionaries.com/browse/english/
RHD：http://dictionary.reference.com/list/a/
9 Z" f0 T1 ~% S: q0 ?CALD：http://dictionary.cambridge.org/browse/learner-english/

如果不想写爬虫来找索引入口，那么就要用好 Google 。答案肯定就在第一页。
$ a# s& N% o3 d+ O6 e以第二个为例：
inurl:browse | inurl:list site:dictionary.reference.com
2 V/ y# k8 N  E2 t4 _: ^6 A
PS：最近才发现这里，发现资料很多啊。
4 j/ c% O% _, _+ y, I; s5 T

bt4baidu

排版、修改他人制成品小技巧

假如下载了别人制作的词典，对其中某一块的配色、缩进等不太满意，想自己动手改改
或者，看到别人的排版比较舒服，自己制作词典的时候想借鉴一下
结果解开mdd，打开css文件，看到上百行密密麻麻的文字还真是有点晕。。。
% T2 U% o- S6 }0 R这里有个比较省时省力的小技巧，可以快速定位到想找的地方
  k1 V; h' Q/ B6 O1 f) Q
: n  y) `- s1 R  k( P+ P( E8 h: ]1、Goldendict里，在想修改的地方点右键，有个“审查元素”：

, j+ X' `4 {+ o1 V( _7 P. M% g
2、点进去会打开webkit浏览器的调试窗口，红框圈起来的地方就是了，想借鉴就直接copy-paste到自己的css里完事
. G2 b3 a+ }& K
$ W! D7 t. f: H* s& [5 X/ }( C
; S& x% I0 p8 {  B3、修改就用Gettext等工具解开mdd文件，然后打开css改相应的地方
+ l' w0 H7 v- v2 E1 P8 M* _2 G( r/ {

收工

Oeasy

& t  i# O* V, d  Z4 \. @- U

: G; b2 h) F+ k4 \3 e0 D5 Q
9 C$ h7 K/ n' o0 _0 c5 ]4 Q感谢楼主分享知识和经验。
7 k6 \& x& Z4 h  I/ g
% }0 w) M7 G6 p$ {1 W每个人的时间都很宝贵。希望大家珍惜自己的时间，同时也要珍惜别人的时间。别人没有帮助你的义务。

/ A, @" }3 R5 |私下里也有人找我各种求助，如果是举手之劳，我顺手就帮了。

但是如果耗时需要两分钟以上，我基本都是直接或间接拒绝。

除非对方很有礼貌，懂得如何提问和求助，提问之前自己思考、搜索过，再或者提问的是熟人或者他的问题我也很感兴趣，通过帮助他，我自己也能收获些东西。
7 P4 W: u) ~7 S7 {( t
- I: J: ?8 R' k/ T# ]1 B+ n


* L" \( u+ q$ Z0 k" w

bt4baidu

Windows下制作词典必备的文本处理软件：

• EmEditor
• Beyond compare
  3 n7 ?/ Y& S; ~' S

; n, P6 j* j; w, v
6 r2 [7 ]0 B; ~3 _1 K: I前者用于编辑，后者用于差分比较
处理300Mb以上的超大尺寸文本文件毫无压力，实在是无比强悍

oltiger

bt4baidu 发表于 2014-10-25 21:01
1 ^: o# n* O: i& ^6 ?现有的mdx词典，其实足够绝大多数人用一辈子的了
9 t/ i( y2 P  b+ M6 V% _6 m' B
- H5 E% j! t0 P/ m* x本人前段时间制作、收集了不少，经过一段时间的比较 ...

9 m% D8 L# ^( T- L肺腑之言。

bt4baidu

关于字体，请参考

. f* M+ U4 P  M  [/ B6 g& T网页设计中最常用的字体有哪些？（中文和英文）
' U) o! j* T- z2 [http://www.zhihu.com/question/19680724

本人用的最多的是Lucida Grande、Helvetica，正文里的斜体字首选Georgia，音标用Lucida Sans Unicode
这几种字体在Windows、苹果OS上显示效果都不错，字号也比较全
另外Open Sans字体也挺漂亮

flczjc

看了之后发现我确实没这慧根，老老实实找点现成的字典用用算了

是小樾啊

bt4baidu 发表于 2014-10-22 20:21
最好带着一个问题，在解决问题的过程中边用边学，比如抓词典；否则泛泛的看书、看资料、做一些不痛不痒的 ...

感觉找到适合自己的问题好少啊
1 H) k8 ^; N  G3 v! |- R- G这个适合的话感觉是兴趣和难度
想请教一下楼主是怎么处理这些问题的呢
还有种不系统的感觉

hidroid

谢谢分享，很不错

kevinmzm

Thank you for your good lecture. Will see if I can comprehend a point or two.

louislaolu

写得很好。刚看前几行的时候，的确激动了一下子。虽然没怎么懂，但是第一次能坚持把这样的东西看完，觉得也是对自我的一次超越。谢谢！

ceoyee

這個要推~ 謝謝百度哥

houbible

强大的教程，谢谢分享经验！谢谢bt4baidu！

chigre3

受教了, ~\(≧▽≦)/~一个!

belleyeah

先收藏了。慢慢看。

cenfit

已经收藏，谢谢！

wenlishahsa

辛苦了，谢谢！！

Hugh

学习！

bt4baidu

* x+ E& o; _6 ]* }$ ^1 H: Qjava和.net就是个垃圾，我懒得提而已
在Linus这样的大神眼里，连C++都是垃圾：
http://www.csdn.net/article/a/2010-06-12/218785

如果你的志向是做一名合格的码农，这些所谓高级语言最符合你的需求，生产效率很高，可以很好的完成老板分配的任务，我见过一周写一万行代码的，大部分都是什么类啊、对象啊之类的狂占代码量，在一般不懂行的眼里又显得特别拉风，貌似站在技术发展的最前沿；其实真正的大牛，早就不玩那些了。所谓面向对象，不过是为了提高生产性，好让资质较差的程序员跟得上而已，因为那些家伙无法理解过于抽象的事物。
0 B0 ?3 M  m5 l8 t
6 [9 P% c3 D; x% S4 ~不过面向对象也不是没有好处，它可以方便的把比较垃圾的代码隔离起来，不让它影响整个系统的稳定性。
; X6 ^8 Y% _1 }% ]# }1 }" ~我以前常常自己把整个系统框架搭起来，留出接口，具体那些粗活扔给下面的人干，即便代码水平比较差，影响范围也不会大。
这样系统的稳定性就有了，生产成本大大降低，效率也大大提高，因为可以大量找廉价码农。
不过，用户稍微吃点亏，因为垃圾代码毕竟是垃圾，运行效率比较差。
为什么win98的时候大家都是32M内存，运行程序倒不觉得非常吃力，现在动辄8G内存，机器反而经常吭哧吭哧跑半天呢？
因为垃圾代码太多了。


4 Y7 t$ Y# |* }( T! }" Y3 T) D

meigen

% w9 `/ X; q6 b5 L6 l% R, @$ W$ I0 }
算了，道不同不相为交流
想起某个梗
程序员眼中的编程语言

大熊部落

不赞成多线程抓网站，但是好贴子要支持！

4 D$ m# F/ p9 l自以为是“文科生”的朋友们就别学Python了，因为这个世界上还有很多现成的抓网站软件，虽然Python确实是个好东西。

( i/ J0 K& n9 f4 m- l另外win95时代才是32M内存，win98的时候至少有128M，我一台老主机还是win98，文本检索速度秒杀XP。

bt4baidu

meigen 发表于 2014-10-21 00:07
6 V4 j$ k" _5 ~& g0 R) I算了，道不同不相为交流
& Q: Z% z1 u; A4 \/ w想起某个梗
2 m- i/ Q, f) @# ^7 ~程序员眼中的编程语言

不同的语言适用于不同的人群：
6 g* E, B9 e: w. j如果你有志在计算机领域施展一番拳脚，应该从C、汇编学起，离机器思维比较近，也没有那么多纷繁的库、乱七八糟的概念，可以专注于研究内存构造、算法本身。
6 u) c, B) n# }9 ?; X6 u9 u如果只是用来处理日常文书事务，则Python、Office VBA这样的脚本语言最合适，说不定十几行代码便可以把你从一个星期的ditty work里解放出来，也容易学，实在是非常划算。
至于java、.net这些高级语言，留给打算做码农的家伙们学吧，这些语言被设计出来，目的是为了提高生产效率，便于人与人之间的交流；它离人的思维比较近，离机器思维比较远——你可以用它快速干完老板分配的任务，也可以从业务层面说个头头是道，但是很难搞清楚程序运行时的每个细节。
/ B0 E; j6 }3 a. Z1 R. V' @
. W5 I6 O- T- t$ T编程语言的口水仗永远也打不完，不争了

bt4baidu

大熊部落 发表于 2014-10-21 00:35
不赞成多线程抓网站，但是好贴子要支持！
8 l8 }" ~/ o2 g- Z6 b& c. u
# f* s" e( |1 q, U自以为是“文科生”的朋友们就别学Python了，因为这个世界上还 ...

  S6 `* c# {, A9 v下载软件？推荐一款？
2 M0 X/ g) X( V最早的时候，网站上都是静态HTML文件，是可以用下载软件整锅端的；
现在99.999%的网站都是动态的，服务器上只有PHP/Java程序和一些图片、视频，文本数据存在数据库里，网页是自动生成的，并没有那么一个文件在服务器上，如何下载呢？
比如这个论坛就是，咱们敲的这些字都会进数据库，在你打开网址的时候PHP程序去读数据库，才会把网页生成出来，并不会事先预备一个网页在那里。
* o, E! e. t/ F( J除非那个软件可以模拟网页浏览的操作，那倒是可以。不过那样的话，还是需要事先有个完整的单词网址总表，但是正如我上面所说，很多时候你无法事先知道。
1 |, o0 c' U4 y( w, I目前的下载软件多是用来下载图片和视频、mp3，不是用来下载网页。

至于多线程，完全不用担心，你用Chrome/IE打开网页的时候，就是多线程的。
0 x5 O6 ?# D" C) u对服务器影响较大的是频繁建立连接（所谓DOS攻击），下载数据只是影响流量带宽，对网站影响没那么大的，
1 ~4 t0 r6 V4 m* c目前主流网站都是毫秒级响应用户请求，带宽无比的大，下载单词对它的影响不值一提。

bt4baidu

本人做个大胆的预言：
随着智能设备越来越多，生活越来越智能化，人不但要具备人际交往能力，也要具备人机交往能力。
! y! q7 f0 L. t7 i- J# ~未来会出现一个新的行业：私人计算机管家。
8 N8 @: B( `! j( V专门替土豪处理计算机相关事务。其实现在已经有专门替土豪发微博、回微信的助理，可以算管家一类。
但还不够，账户安全、数据安全，哪些可以放网上，哪些该物理隔离，这些并没有人替土豪处理，于是清凉图片满天飞。

大熊部落

bt4baidu 发表于 2014-10-21 11:29
下载软件？推荐一款？
最早的时候，网站上都是静态HTML文件，是可以用下载软件整锅端的；
% [( N; C1 y$ R  _1 U现在99.999% ...

0 }3 j; c" N# ?7 v6 t用Phthon能做的也能用软件来做，因为软件只是把代码做成界面而已。比如你上面说的下载一个词条后可以获得另一个词条的链接，那么软件会自动下载这第二个词条，因为软件可以设置成下载所有新的链接。
) a4 t" t* f0 h
十几年前的小软件就有模拟的功能，对那些看不到任何页面的数据库也有软件搞定，不过有些方法可能超出“下载”的范畴。

用不用多线程（最多3线程）是原则，有点像“偷”与“抢”的区别，反正不是为了商业利益，还是遵守原则比较好。

我不是专业人员，平时只用C玩玩算法游戏，目前在学习Phthon，但愿十年内不用再学习新的语言。

bsqby

此类科普文, 多多益善, 学习之!

bt4baidu

大熊部落 发表于 2014-10-21 16:18
7 s9 v+ i2 I. R' E用Phthon能做的也能用软件来做，因为软件只是把代码做成界面而已。比如你上面说的下载一个词条后可以获得 ...

我一般是先看看自己能不能写一个，搞不定或者太花时间再去搜现成的软件

下载一个词条后可以获得另一个词条的链接，那么软件会自动下载这第二个词条，因为软件可以设置成下载所有新的链接。

$ M- j2 A- e  p7 }2 x1 }. Q推荐一款可以下dictionary.com的？这个网站上的词典我还是蛮感兴趣的，就是懒得动手

bt4baidu

平时只用C玩玩算法游戏，目前在学习Phthon，但愿十年内不用再学习新的语言。

. v2 m# _! ]' J5 J$ R4 O
最好带着一个问题，在解决问题的过程中边用边学，比如抓词典；否则泛泛的看书、看资料、做一些不痛不痒的练习，效果甚差
8 [, A$ s: R) H2 H4 |计算机是用会的，不是学会的；
3 V7 ]) `8 B" `( F2 u; R程序是调试出来的，不是写出来的
( n# P) @+ A% x) l% W4 F
9 z3 D; Z: C8 U; p既然会C，完全不用花时间学Python啊，10分钟足够了。我也就是花几分钟看了下百度百科就开始干了，遇到问题随时可以查资料。
" h) ?) y3 b' r# H2 U; O$ h你现在问我Python有哪些关键字、哪些运算符，我都答不上来；这些都无关紧要的——我在做词典的过程中，大概已经写了上万行程序了。

大熊部落

bt4baidu 发表于 2014-10-22 20:21
  b' N+ B% _2 E8 a# V7 ]最好带着一个问题，在解决问题的过程中边用边学，比如抓词典；否则泛泛的看书、看资料、做一些不痛不痒 ...

多谢指点！我只能用C玩玩简单的竞赛算法题，这些天用Python抓过一些页面，正在研究更复杂一点的方法。
' _& v' S0 c$ |' i. N3 F* g) ?
: u# G: n- y, e! y& S我的一点网络小技术是很久以前在X客基地学的，当时花了几百块钱，没想到有些技术到现在还没过时。抓dictionary.com的话用一般的软件就能搞定，老牌的离线下载小软件（如offline等）或这几年流行的火车采集器（www.locoy.com）都不错。

smallrock

就需要这样的教程！学习了~

mitkyg

学习