【史上最全】在线词典抓取、制作技术汇总

bt4baidu

+ f' y6 l' V; \( b' Y7 q9 i1 Y
0 W4 N, q4 T9 T! G6 s这篇文章主要是给计算机小白和初学者扫盲。
) e7 w: Z, }/ k# C  @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。
2 u  |0 S: `6 \, q
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：
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；
1 x& i- m+ |7 Z  U) K2 Z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。
* v$ y6 Y( a: g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。
7 U4 _. y, S* S4 G1 x
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。
4 l. _) B$ N( l3 h9 \1 R, x2、怎么把两种方格区分开？也就是特征识别。
这两个问题，就是计算机的终极哲学问题。
6 D# A5 d7 M' h5 t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。
下面的讲解也会以这两个问题为核心展开。

/ S8 e7 b$ r8 I& b' ~4 i+ v0 ?: t: LBTW, 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，
) a4 Q" ?3 E. K- a) F+ c- D* b0 c——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。
- P, q4 W6 @& Z! P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。
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。
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。
  D2 [; [! G* V1 l" G4 e
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。
% k0 p* f- h7 S8 r5 q) i, U$ Y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。
6 j' I5 p! U. L+ i% j咱不奢望成为专家，写写程序总还是可以的吧？
7 C) O2 X1 U7 o8 v  \
二、采用何种编程语言
3 |; }5 g. T2 q" G4 W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。
3 {1 z- E- X5 c5 g' j  k抓网站，恐怕没有哪种语言比Python更方便。
" Y$ B0 f; Q3 k2 r' P5 j- k/ H1 [- B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，
, E4 G9 W: I7 w5 ]) E, C6 i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，
' k" b4 X8 J, d8 M/ g* |& S没有慧根就别吃这碗饭。
! d0 ?' W. j; O% N2 E
7 V3 y7 i. K! _2 J, B$ X三、网站抓取技术
, ?7 X5 U& ^' u  O4 E5 `5 c8 L1、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：
# [8 ]. B8 `8 B用一个简单的例子讲讲怎样从网站上扒数据

" U: U+ [, I; n8 S- A2、寻址问题
  x# F5 |' c' y$ D下载网页，自然首先要知道网址，也就是东西放在哪儿。
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。
. q: n# ]4 ]* Y' P总结各主流词典网站，大概可以分为这么几类：
I. 事先有单词总表
比如http://www.vocabulary.com就是这种类型。
) T! P+ }( @; `1 E8 [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。

( Z& ~2 ]6 X# E+ x/ t* BII. 网站有索引页面
, D' s& {2 k7 V0 _- G! y# t如：
* e* }: Q2 ^# @# C; x+ wOALD（http://www.oxfordlearnersdictionaries.com/）
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
MWC（http://www.merriam-webster.com）
索引页在 http://www.merriam-webster.com/browse/dictionary/
等等
$ _2 e# Y. R" U2 @, T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。
+ T/ `2 P. _0 A: Z

1. 
   
2. urls = []
   + P- U3 Z6 x  [. s( _: g
3. for someindex in indexs: # 循环所有索引页
   7 g) c: V5 c) D/ e  f( W+ J4 {
4.     browseurl = ''.join(['http://somewebsite.com/', someindex])
   
5.     browsepage = getpage(browseurl) # 下载索引页面
   , r0 o7 P5 d. @, _6 T8 Q2 K
6.     target = SoupStrainer('sometag', class_='target') # 抠出放单词链接的区域
   
7.     bs = BeautifulSoup(browsepage, parse_only=target)
   
8.     if bs:
   3 g/ v' e, k0 b1 u  h( x* m# g
9.         for a in bs.find_all('a'):
   % K  w( E" L( ~' N
10.             urls.append((a.string, a['href'])) # 取得该索引页上全部单词及链接
    
11. 然后：
    
12. for url in urls: # 循环所有单词
    
13.     wordpage = getpage(url) # 下载单词页面
    & F9 E. W) g) j. a& n$ H& K1 @

复制代码

III. 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
7 K6 h1 S1 X; R, A! m

1. 
   6 t# m0 c* k" j$ D7 z$ |& V4 {
2. for someindex in indexs: # 循环所有索引页
   
3.     browseurl = ''.join(['http://somewebsite.com/', someindex])
   
4.     page = getpage(browseurl) # 下载页面
   
5.     target = SoupStrainer('sometag', class_='target') # 抠出放单词的区域
   
6.     bs = BeautifulSoup(page, parse_only=target)
   , v; a$ H$ i' Y+ ]6 {
7.     for tag in bs.find_all(target): # 循环抠出单词
   
8.         worddefine = getworddefine(tag)
   9 ~& _# {: Z1 I6 c# s7 M

复制代码

# _1 r  U1 o1 R9 L: KIV. 片断索引型网站
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/）
1 `9 n' v( M% f右侧边栏有Nearby words
CALD（http://dictionary.cambridge.org/）
4 W( h" P0 C! O+ G- S, W6 z8 Q在页面的最下面有个Browse栏，给出前后相邻的单词
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）

1. 
   
2. cur = 'a'
   
3. end = 'z'
   
4. nexturl = ''.join(['http://somewebsite.com/', cur])
   0 Q- q) `% s6 C4 R
5. while cur!=end and nexturl:
   
6.     page = getpage(nexturl) # 下载单词页面
   
7.     worddefine, cur, nexturl = getword(page)  # 得到本单词释义、下一个单词及其链接
   : N* m* E7 B) V/ E: W' P

复制代码

7 h7 p- N* h+ M) Y$ BV. 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
0 B; ?2 @: z+ T& G# }4 L理论上也是可以的，就是效率差一点；
' n& N' J# u& {' A8 m5 w. `7 p) T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。
. {# i/ H2 c+ Q9 g* X& T
/ F: y1 _* e, y$ g5 W7 n2 z3、提高下载效率
I. 多进程
* Z; m% M4 C, X0 g% K4 @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。
实际抓网站时，这么做效率显然是非常低的。
- A8 |% D7 G2 ?* U# R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。
4 G& E9 n; l5 G, V, C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。
' z+ v. E' c" C* f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。
' E* ?* K9 V9 o4 [7 F6 s在Python里开多进程，同样十分简单，
' m( C: i3 G0 u" X5 c

1. 
   ! V6 N9 R( T9 S: u$ g
2. from multiprocessing import Pool
   , C; q% F5 V1 L
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
   

复制代码

; r' j, W% t( l' [. @5 o( e这就搞定了。

# P1 z) `4 s. X2 ~8 o3 H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，
: d5 D* ~1 W' M  y% y) f4 G9 ^8 Q; `! \关于IV.，事先没有单词总表，就只好采用区间的概念，
, P3 {: L6 k( m* ^比如('a', 'b'), ('b', 'c')。。。这样划分若干个区间下载

初学编程的人，一碰到进程、线程，常常有种畏惧感，
- U0 w$ g) N" [* S7 k/ z/ J: h看到同步锁、共享内存、信号量什么的顿时觉得头大。
" `( S5 W, c1 E& S) c0 s' t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，
5 S6 m& C: ^' |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。

5 O( q4 n4 p/ P; i+ SII. 断点续传
- I- K# g" I0 B+ i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。
* S& H* K5 p. r5 |+ _; Y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。
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，
直到所有区块下完。

1. 
   9 P, ^5 [& t/ s+ `& u3 N
2. def fetch_a_word(part, word, url, data): # 下载一个单词
   
3.     word_define, failed = get_a_word_from_website(word, url)
   
4.     if failed:
   ! e$ i# W) o4 h8 h+ e
5.         dump_failed_word(part) # 输出下载失败的单词及网址
   
6.         return False
   8 f3 t$ p3 h2 W- p( Z
7.     else:
   
8.         data.append(word_define) # 保存下载成功的单词数据
   + _* }* Z' O/ v9 {& M' x  b2 p
9.         return True
   
10. 
    
11. def download(part): # 下载一个区块
    6 B$ ]5 r& _# |$ k8 A. a
12.     words = getwordlist(part) # 读取单词总表
    ! ^& ^& T; u6 K% V
13.     if hasfailed(part):
    " Q/ ]2 h+ R' Q& E0 D
14.         word, url = read_failed_word(part) # 读取前次下载失败的单词及网址
    
15.     else:
      z' S9 ?2 q# l, Y. O# H
16.         word, url = words[0] # 首次从头下载
    
17.     data = [] # 用来存放单词定义
    3 J! i! U/ W: s3 o" A1 r
18.     while not_end(words): # 循环下载
    
19.         if not fetch_a_word(part, word, url, data):
    3 M' B: P$ m; G
20.             failed = True
    
21.             break
    5 e7 J( [/ x4 }; q1 I
22.         else:
    
23.             word, url = get_next_word(words) # 准备下一个单词及其网址
    
24.     if failed:
    
25.         suffix = '.part'
    
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'
    - j1 B4 r$ }; [1 @7 s
27. 
    
28. def isfinished(part) : # 判断某区块是否下载完成
    . A2 \9 j  E( Z/ d5 O2 {
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
    - Z5 q7 i3 W/ q1 i
30.         return True
    
31.     else:
    
32.         return False
    5 ~7 Y8 x- |) `' v2 q" X) C
33. 
    
34. def downloadloop(): # 循环检测未下完的区块
    1 ]- M0 G' d3 [8 }& n  K
35.     finished = 0
    4 K: l. D; X( y9 I
36.     while not finished:
    6 b& F1 |$ n7 ^& K1 I0 u
37.         nf = [] # 没下完的区块
    7 l$ `, I/ R3 m! k6 H0 ]0 h5 k
38.         for part in parts:
    
39.             if not isfinished(part):
    
40.                 nf.append(part)
    
41.         finished = not nf
    . h; o0 V" {/ g  v" p
42.         for part in nf:
    
43.             download(part)
    / i, [9 p/ r1 V  K7 r, d

复制代码

III. 高速下载网页的小技巧
& a, F1 R# d6 f6 l9 CPython里面有三个库都可以用来下载网页：urllib2、urllib3和requests。
! i% }$ s! a2 @  K6 D其中urllib2是Python原生的，urllib3和requests为第三方库。
: o1 A, [) _; I（似乎Python3已经把urllib3收编为正规军了）
这三个库有什么区别呢？
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。
" k$ i6 Y! H7 B) R$ ]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，
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。
' I, y: _8 g: [" I# N" ]6 f8 G+ b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。
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，
# ]4 F* O2 r) y; G5 L通吃一切网站。
7 P5 @: `) D- I7 D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：
% ]$ b' l) i6 u3 xhttp://urllib3.readthedocs.org/en/latest/
http://docs.python-requests.org/en/latest/：

1. 
     Z9 r# y. u$ C$ C" K8 O1 p3 E
2. #urllib2
   6 O  |+ J* ^% Q9 i& \. J+ U! V( g
3. import urllib2
   : a# v4 S# N. u4 A: ?, X8 |
4. def getpage(url):
   
5.     req = urllib2.Request(url)
   
6.     response = urllib2.urlopen(req)
   
7.     page = response.read()
   
8. 
   
9. #urllib3
   * ~7 l  a1 J8 i3 o9 X
10. from urllib3 import PoolManager
    , h! n3 L, C, K
11. http = PoolManager()
    
12. def getpage(http, url):
    - V+ @& s" w; X9 }
13.     r = http.request('GET', url)
    : V# O+ ^5 v, @
14.     if r.status == 200:
    
15.         return r.data
    2 C2 b' q4 m7 C) _6 Z" n' `
16.     else:
    / y- d( M8 K$ L6 o% }+ ^% c- Z
17.         return None
    * ?& B* x" L, e2 U
18. 
    
19. #requests
    
20. import requests
    8 q! j5 `8 D% i' m
21. session = requests.Session()
    : ~  d& |1 w8 _% z2 ]- ^
22. def getpage(session, url):
    7 V9 R8 K6 P) @' n8 o
23.     r = session.get(url, timeout=10)
    $ U+ }% `/ h  s7 u* J6 D$ ]. g
24.     if r.status == 200:
    % P' j& O5 S7 z
25.         return r.content
    
26.     else:
    % X, m5 {0 \: ~: e; M
27.         return None
    3 E- X$ r) l0 a" y* W! z

复制代码

四、后期制作
1、文本处理，是个特征识别问题。
7 ^. B# T) R& {  u+ S# }  X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。
; a$ a. B/ r. A4 @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。
$ f2 `7 R) w/ R3 Y7 r: v! GPython里常用的文本处理技术：正则表达式、BeatifulSoup、lxml
' w8 V2 X+ s. k8 ^: c+ _5 R正则表达式非常强大，但没法处理递归嵌套的标签型数据
: x! U. H" s9 q) j8 d（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）；
BeatifulSoup/lxml可以处理嵌套的标签型数据，普通文本则无法处理。
所以常常要结合使用。
% X+ a! E3 I# L1 K2 t9 m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。

1 g1 _# u- K, K- ?! W& |2、排版
HTML、CSS的基础知识：
http://www.w3school.com.cn/html/index.asp
http://www.w3school.com.cn/css/index.asp
7 ]5 g, c' l8 Q, U& Jhttp://www.w3school.com.cn/css3/index.asp
/ q) h) B0 H4 H5 q. a8 t% m非常系统、非常全面。
8 b( M6 @$ c/ t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。
; F, I" r0 P9 }
五、结语
* Q7 ?; z/ q# J+ A5 f1 t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。

$ T3 k. L! a5 D6 P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。
; }: M* f. e$ Q# J4 [4 `) F3 \
只是拜托不要打扰别人，真想要就自己动手。
: E* M+ V6 F5 b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。
, t9 a0 u) G2 f9 Y7 q$ t! {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。
虽然每个人都觉得自己至高无上，应当受到别人重视，
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

! F* \$ {- \0 U! @8 q
========
六、拾遗
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
% x  h1 a* N% I" l* ?$ H1 o1 _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
, {" N2 z) \0 o& p* g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，
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）
. J& [+ A( y9 n, d  F: Y$ s) y% k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）
- z8 w" @0 v8 ~9 r- y/ i& v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。
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。
3 \( k$ }, q3 F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。
4 L( ?8 G( m# a: f7 v4 V

bt4baidu

Oeasy 发表于 2014-10-24 18:41
感谢楼主分享知识和经验。
. [6 r: |3 S. h& E$ B
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 ...

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。
( ?% _4 K3 ]/ A$ h
! N; l% o0 x7 f" D8 \# \本人最常用的词典：
3 q/ v. o' R) D" ]1 c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。
) |: h& u2 }* _6 b) b
6 j: i/ G, u- N! k( M" w" A- |5 z替补阵容：LDOCE、词源、短语8in1、韦小黄&韦小绿、Garner Usage。
/ g  q3 J4 O+ v  rLDOCE用来查常用词的惯用法/搭配、语法信息；
1 o* a1 f& J; J! Q词源用来辅助理解、记忆单词；
; g$ _/ R& b. g; P1 o3 Z% I短语8in1用来查漏网的惯用搭配、非正规用法；
韦小黄/Garner Usage用来辨析/比较同义反义、正误用法；
- i2 u  j8 f# A( G" f. D0 u9 L* v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。

2 w: K$ \, E* G) y: |: R( [) K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。
“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。
, f: ^0 \% W* E
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。
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。
% N: x5 _, K/ G; M. ?7 R

happlebao

针对

IV. 片断索引型网站

说一下。
8 J* q4 |1 g0 [6 o% w! s3 Z其实只是你没有发现而已。
ODE： http://www.oxforddictionaries.com/browse/english/
. ~% C0 H$ Y. s0 N  g* z) uRHD：http://dictionary.reference.com/list/a/
/ X: R  s3 m. P0 c8 M: }, }0 n% r) WCALD：http://dictionary.cambridge.org/browse/learner-english/
1 ^; w" h/ ?$ F, K* D
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。
' p& F: j) ^' ^6 q8 \# E% D以第二个为例：
inurl:browse | inurl:list site:dictionary.reference.com
9 C6 l, y% B# ]: g
PS：最近才发现这里，发现资料很多啊。
8 R4 p* u2 i* H

bt4baidu

排版、修改他人制成品小技巧

. {- x6 E9 c( L, }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。。。
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

1、Goldendict里，在想修改的地方点右键，有个“审查元素”：
3 \5 d/ r" @$ x) x% n6 r* H
3 O. r6 x" A$ x3 Q
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

3 i' q- Q. f( C
( {6 R  f$ i' l+ C) u" T; o3、修改就用Gettext等工具解开mdd文件，然后打开css改相应的地方
: r" Q8 S* f( s4 q4 ?4 @; y/ l" @
0 k& W$ }# W( e' Y
6 b( h; o, e. f! S收工

Oeasy

: x7 x# m: z) j0 J! ^

) v1 x+ R; W, |8 u
感谢楼主分享知识和经验。

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。

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。
( v/ |4 W8 F5 d6 @; `* s
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。
7 `3 q0 \4 q7 L3 C# H- n8 W
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。
' D" L7 _8 t6 G  C1 }  u6 R; Q

% r8 k6 U; ~1 ~2 _* k

bt4baidu

Windows下制作词典必备的文本处理软件：
1 J/ e* c" y" l, C/ n5 s

• EmEditor
• Beyond compare
  : o; {9 ^( \" L: G

; C$ o3 g2 Z2 M5 @
: Q& P9 s+ |. I) F  L; T前者用于编辑，后者用于差分比较
! I5 T4 H% [: g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
现有的mdx词典，其实足够绝大多数人用一辈子的了

3 y9 G1 @( B- [  G2 \; t/ X本人前段时间制作、收集了不少，经过一段时间的比较 ...

肺腑之言。

bt4baidu

关于字体，请参考

网页设计中最常用的字体有哪些？（中文和英文）
) V" M- Q" e" Ihttp://www.zhihu.com/question/19680724
+ \9 V5 X7 h2 A0 b, ^
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
: |' `3 W) _4 T0 D! q. @2 T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
$ ]1 Z* ^4 c: ?+ w* l5 _$ @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 ...

- `# [8 p/ }2 j; n- S感觉找到适合自己的问题好少啊
这个适合的话感觉是兴趣和难度
: B- u- M  A* `* u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

. O2 N' ]' a. ]5 R
java和.net就是个垃圾，我懒得提而已
) Q5 @+ ^) k# ]9 U: v在Linus这样的大神眼里，连C++都是垃圾：
4 G$ P9 Y  Q2 Z% }5 T8 Uhttp://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。

9 O% d: I3 i' B! n9 o- d* H0 B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。
) K! w) j* n4 L* ]( n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。
  S0 o# M+ s. M& w2 l. s  u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。
7 R6 w: C4 J9 Y7 @' y: L

: e7 t6 p, t8 n& b9 J$ B& d' a8 V8 {

meigen

4 ^. B# b$ \6 A% |3 _( b
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！

% c' n, L/ \0 e. h1 s6 e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。

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
算了，道不同不相为交流
$ `# Z% a7 R2 y( n! A, f想起某个梗
/ K: i; q7 W4 [5 ?  t程序员眼中的编程语言

不同的语言适用于不同的人群：
4 e9 K) C" \6 O0 ^" U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。
) w$ c" @/ n) F) ^! _1 d9 _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。
* v- h( b8 O  {+ G/ i" x5 P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。

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！

7 n6 U9 q* e# @" S% G4 K% }自以为是“文科生”的朋友们就别学Python了，因为这个世界上还 ...

5 \  G5 {5 t; K( B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；
+ P5 _/ p9 x3 X% Y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？
3 A& n: z4 l1 s4 G% E3 Z) g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。
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。
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。
, ]( d! e1 f5 \8 I9 C' \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，
/ v. Y" d& q; s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。
! Y+ l) H3 w' ]9 {* \$ R% a/ ?" u

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。
- E! u' F0 Y: J. d. h% ~未来会出现一个新的行业：私人计算机管家。
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？
, M% W4 m  j# A, E9 i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% ...

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。

) V' L/ Q! o& p; 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。
' |1 u' }' G2 t/ T5 q
8 L. [8 ~2 U  c, I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
# ]( j  g  q( a$ Q3 Q  Y; J- B6 B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 ...

) J; s/ R. {+ u( C6 p$ O" }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
2 D% E, q; {+ Z* I( ]' T  I/ Z2 \
' W% X' D+ k  ?

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。

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。

" h$ n! `, h7 i- ~8 Q1 m/ H- I
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
" O  m7 `) n$ ~* p7 R9 k计算机是用会的，不是学会的；
# U; B/ c" U1 D程序是调试出来的，不是写出来的
' h2 x9 n7 O. k# J) P* S" M
9 \: r/ E, D$ o& r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。
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
# _/ x! G5 \+ n) X9 S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 ...

+ F: e& t$ h1 r9 B# {4 M: |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。

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