【史上最全】在线词典抓取、制作技术汇总

bt4baidu

7 I! t, v! u- A# F8 E) i这篇文章主要是给计算机小白和初学者扫盲。
" I' i6 q0 k! h4 _/ o5 g- f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。
' E* y2 V& b/ H6 E) t8 {' U" Z/ ~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 D* W7 ]9 X6 M1 R" D. X" Y
一、计算机的两个终极哲学问题
9 ^+ O1 J5 `0 Q$ k# [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；
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。
" f$ V8 l5 _7 A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。
- }% R- c; D+ A" X6 \( k; w“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。

那么要写出程序，立即就会发现不得不解决两个问题：
: p, z4 k$ s! i4 l1、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。
& a. k4 ]8 O% X. h  I6 z6 m这两个问题，就是计算机的终极哲学问题。
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。

1 R  F, @3 S  JBTW, 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，
- H+ t1 ~  ]/ Y" J9 d% }2 \7 _——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。
+ [: y! c% h' [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。

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。
6 z; n0 a! S* J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。
4 [5 q9 p, l8 e4 `. {咱不奢望成为专家，写写程序总还是可以的吧？

" u& `0 \) R( s! d4 J% F* t二、采用何种编程语言
) E7 u2 J/ d' Y! B, J上面已经说过，存放、读取、组织、区分数据是编程的核心问题。
7 c% U3 u1 p8 y8 c1 e* {; s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。
抓网站，恐怕没有哪种语言比Python更方便。
: p/ G+ r% O$ e6 V* q9 ^# C: 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，
没有慧根就别吃这碗饭。
# c; m" V$ u* f1 a
8 [1 I+ k- I. P% s6 t. m7 N三、网站抓取技术
& f9 {) A/ I. F/ I$ x( q1、下载某一个网页，提取其内容
) i4 S0 B9 ~% f! q以前写过一篇，就不重复了。参考：
用一个简单的例子讲讲怎样从网站上扒数据
3 i2 o2 P0 J* P, K$ `, S
2、寻址问题
7 O0 X( U4 X1 f- F9 l4 b/ z3 L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。
/ Z) f  F  }% b7 U& x6 e% g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，
7 v, S+ m4 m' B/ ^7 P要把单词弄全，就要想办法得到每个单词的网址。
1 h3 A! T3 I% c, Q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。
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。

+ M* T, ~* N# UII. 网站有索引页面
7 h, u, P" i. k0 |1 T( d如：
OALD（http://www.oxfordlearnersdictionaries.com/）
它的索引页在 http://www.oxfordlearnersdictionaries.com/browse/english/
: I/ [+ T/ ^8 i3 n7 y0 hLDOCE（http://global.longmandictionaries.com/）
. A! G! P. w/ C$ l$ `: y$ t7 M采用框架结构，左侧边栏就是索引页
( V7 p' e+ k, N% L6 P1 ]; _7 {MWC（http://www.merriam-webster.com）
索引页在 http://www.merriam-webster.com/browse/dictionary/
; H9 Q; U" z5 R等等
! `+ K: r( z  m# ~0 M0 n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. 
   
2. urls = []
   
3. for someindex in indexs: # 循环所有索引页
   8 Z7 D. W' M+ v/ v/ {  n
4.     browseurl = ''.join(['http://somewebsite.com/', someindex])
   , m; G) C# y$ L
5.     browsepage = getpage(browseurl) # 下载索引页面
   8 S$ e8 p! a! b  P' G$ ^: C
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:
   5 N2 @8 ~: z  z$ k. A
9.         for a in bs.find_all('a'):
   ; Z% r. F$ t$ V6 D7 |6 @
10.             urls.append((a.string, a['href'])) # 取得该索引页上全部单词及链接
    5 k" w$ F- Y" J; m0 V* f
11. 然后：
    
12. for url in urls: # 循环所有单词
    
13.     wordpage = getpage(url) # 下载单词页面
    6 x9 u9 B" G: q" E. I) b+ q

复制代码

: |$ q* A4 `' M# a) u
9 E. C- ]1 N7 V0 b3 R8 gIII. 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
6 A2 D  |: ^" s; Q2 t

1. 
   
2. for someindex in indexs: # 循环所有索引页
   
3.     browseurl = ''.join(['http://somewebsite.com/', someindex])
   9 m3 n, R: w0 Q# p' W) V1 g
4.     page = getpage(browseurl) # 下载页面
   3 d3 @4 b! i" v0 R) s' t
5.     target = SoupStrainer('sometag', class_='target') # 抠出放单词的区域
   
6.     bs = BeautifulSoup(page, parse_only=target)
   & d% T) O; w% }' J2 s9 ~  K9 T! I% Y
7.     for tag in bs.find_all(target): # 循环抠出单词
   9 {) S) R& o) z+ s4 T
8.         worddefine = getworddefine(tag)
   5 |! c% _. c  y

复制代码

IV. 片断索引型网站
/ D. e- }! P: D) ~% L0 W' d如：
: K7 d" v9 ]  P! Z3 i2 v& H. rODE（http://www.oxforddictionaries.com/）
每查一个单词，右侧边栏有个Nearby words
5 y( q' f+ m3 vRHD（http://dictionary.reference.com/）
$ u6 |7 }' e  }右侧边栏有Nearby words
: K$ P4 z6 L1 y: G/ sCALD（http://dictionary.cambridge.org/）
6 }4 @  b- r6 P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）
; t6 `8 W  w( C2 d, @1 ^- m

1. 
   ' p' c7 I& L! U/ r4 S6 R
2. cur = 'a'
   % D1 \# I' f' P- O) k0 l
3. end = 'z'
   ! q1 _* }7 j0 ^
4. nexturl = ''.join(['http://somewebsite.com/', cur])
   
5. while cur!=end and nexturl:
   
6.     page = getpage(nexturl) # 下载单词页面
   4 ^' t' N; Z/ Z  C
7.     worddefine, cur, nexturl = getword(page)  # 得到本单词释义、下一个单词及其链接
   4 z* d( k' x# Z, e4 m  m3 w/ u

复制代码

$ Z/ q! s2 w: w4 @9 P; }8 UV. 完全没有任何索引，那就没法子了
) o* ~9 s0 e( m$ H9 P# B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；
: e6 F2 m9 h2 W  N! J1 e' ^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" j! ^& B1 p6 K" W
" n) J# Q7 u! c8 n3、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。
实际抓网站时，这么做效率显然是非常低的。
2 e7 G6 V3 s5 K2 z! L3 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。
* P4 r- b9 a9 a& r: ]. 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？
* l6 f2 T9 X5 y* R# @7 F# L4 M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。
! ^4 z* a% v3 U: b在Python里开多进程，同样十分简单，

1. 
   - L7 m  \, B- D" r
2. from multiprocessing import Pool
   ; l/ @' e5 b& S! d9 Q, t5 g: D' O
3. pool = Pool(25) # 开25个进程
   - i+ ~5 H6 t5 F+ F3 D: k3 t
4. pool.map(downloadloop, args) # downloadloop是下载函数，args是其参数
   7 c9 u) C8 u- Z! {+ x

复制代码

6 d# k4 T. R* m6 ~2 Z% Y+ e这就搞定了。
$ T. h" A3 F8 c6 b; u8 t2 W
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，
8 L3 N, ]/ O$ l5 u2 A/ u- s关于IV.，事先没有单词总表，就只好采用区间的概念，
) L7 O3 F) b0 Z  y+ j# R# _/ n比如('a', 'b'), ('b', 'c')。。。这样划分若干个区间下载
- D$ A0 E$ u) X! b. x
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。
( A; ]* O2 ^, C1 d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，
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。

; D2 n1 a( v$ D* h4 f" rII. 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。
; U7 g. k2 w+ _6 R7 ^9 ~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；
4 F* t2 d/ e9 @# h/ l即便无法自行恢复，也得容易手工处理，不然可有的烦了。
* z, X* ~4 ]8 Y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，
3 o% b3 w5 z, {# H. J, n; `* Y# a直到所有区块下完。
# F1 S4 g- G, G/ p

1. 
   1 c6 k8 y' G  b2 ]2 q+ `& [
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:
   
5.         dump_failed_word(part) # 输出下载失败的单词及网址
   
6.         return False
   
7.     else:
   
8.         data.append(word_define) # 保存下载成功的单词数据
   / `& m. V6 |( N4 T( y
9.         return True
   
10. 
    
11. def download(part): # 下载一个区块
    ( f* \  N7 B4 I0 w5 K# S0 B
12.     words = getwordlist(part) # 读取单词总表
    
13.     if hasfailed(part):
    2 C# B' Q  x/ C! h6 r  A" `# j9 H
14.         word, url = read_failed_word(part) # 读取前次下载失败的单词及网址
    
15.     else:
      k) ^6 h) T/ C' w( r' v  k! [
16.         word, url = words[0] # 首次从头下载
    . P# a- G: i6 a% ~
17.     data = [] # 用来存放单词定义
    $ L4 x" m4 m: ^
18.     while not_end(words): # 循环下载
    
19.         if not fetch_a_word(part, word, url, data):
      }8 R6 |' o$ C% o: ]
20.             failed = True
    
21.             break
    
22.         else:
    
23.             word, url = get_next_word(words) # 准备下一个单词及其网址
    
24.     if failed:
    3 v" `% A$ U' I) x9 k" b* _1 R# v2 B
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'
    ( V: h* ]) _" O
27. 
    6 Z/ T- i. _- P8 Q- i* E4 L$ \5 W9 E
28. def isfinished(part) : # 判断某区块是否下载完成
    , K) m  i* J8 ~; w+ p
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
    # d2 K8 \7 ?, b. J3 G6 e3 ^: U
30.         return True
    ; J0 Z, |8 }5 ?+ P' U
31.     else:
    
32.         return False
    
33. 
    
34. def downloadloop(): # 循环检测未下完的区块
    5 Z# [% l8 l1 C7 l
35.     finished = 0
    + K& J% B3 C' s
36.     while not finished:
    
37.         nf = [] # 没下完的区块
    + `5 o. M6 X- g* K/ f8 p
38.         for part in parts:
    
39.             if not isfinished(part):
    
40.                 nf.append(part)
    
41.         finished = not nf
    $ ^& @& ^! d5 |  _
42.         for part in nf:
    
43.             download(part)
    

复制代码

' m# u4 T; x; d+ S% B3 F' D
III. 高速下载网页的小技巧
: A% \& @* }* n  ?4 U$ M2 _Python里面有三个库都可以用来下载网页：urllib2、urllib3和requests。
8 g  `3 U4 t% T3 ]- {7 f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）
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。
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，
) J( m! s: J- t: u* t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。
1 E. a* o: i9 w' V" N# a2 i2 u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，
通吃一切网站。
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。
0 C' m" I; _8 M! ?. z& f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
   
3. import urllib2
   9 x) p& P+ L* m; V$ b/ w" X
4. def getpage(url):
   5 ^: i( P! j( i* L, U3 B. X
5.     req = urllib2.Request(url)
   
6.     response = urllib2.urlopen(req)
   . c' D  |' E& E2 J( \
7.     page = response.read()
   0 F4 m/ R: u  a
8. 
   8 W; [$ e/ Z$ r% R
9. #urllib3
   * }% }) f7 [' d0 r: x
10. from urllib3 import PoolManager
    
11. http = PoolManager()
    # O7 F% P1 e1 i. e2 _1 b
12. def getpage(http, url):
    
13.     r = http.request('GET', url)
    9 z% @& K: Q' w; e+ D/ r! p
14.     if r.status == 200:
    + ~7 w! r' I6 |, B+ `
15.         return r.data
    - B8 V. q9 {( n8 V* f
16.     else:
    
17.         return None
    
18. 
    * _; j. D' a4 t& d7 P( S& z* S
19. #requests
    4 x. d- h: T0 q
20. import requests
    
21. session = requests.Session()
    ( `, z- }5 s' H  u6 Q
22. def getpage(session, url):
    
23.     r = session.get(url, timeout=10)
    
24.     if r.status == 200:
    : a* z& W$ }3 @" w8 t: o' {  R
25.         return r.content
    
26.     else:
    
27.         return None
    

复制代码

- y4 i% ~# o; A2 K( H. |7 ?四、后期制作
1、文本处理，是个特征识别问题。
9 w/ q! n$ F3 a' o1 w4 g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。
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。
Python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）；
BeatifulSoup/lxml可以处理嵌套的标签型数据，普通文本则无法处理。
5 U1 l; [& ~) l# `$ h5 U' ]- P所以常常要结合使用。
  ~5 F9 y9 C0 c4 q% S) K- p' b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。

2、排版
* r9 _4 u) b) C9 SHTML、CSS的基础知识：
. U3 Q) K& v: s- }+ Zhttp://www.w3school.com.cn/html/index.asp
: T+ ~1 Q7 j" Fhttp://www.w3school.com.cn/css/index.asp
! A+ k6 K$ T: o4 U8 p% |http://www.w3school.com.cn/css3/index.asp
: X8 z" k: P5 Q+ B+ T$ D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。
( h$ N5 H+ S$ n) L6 }7 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。
2 y7 d8 `: j. i  d' ^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。

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。

只是拜托不要打扰别人，真想要就自己动手。
7 e; h, q# e4 c, p1 D- p$ j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。
1 t- U! `1 o6 f( [5 o! O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

7 }8 H* w& q* p. i
/ K$ L2 z/ ~" `5 J( B. A========
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
确实如此
- t: t" Q' y% \$ s不过这里只是举例而已，不用太较真啦
- d! x* i& ]$ V- s: p  T0 m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。
1 y& T* ]# J) V即，
1 w0 q  C1 v: L9 G8 _3 [8 n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）
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）
) E; |/ U. m) c; R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
: b2 `5 J2 k# D。。。
# {. D, E( n: a% X7 [  E/ U' W  `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。
, F8 m/ e" @) `8 Z! R! G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。
% _8 O1 x" F& i' k* u

bt4baidu

Oeasy 发表于 2014-10-24 18:41
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 ...

2 ]2 z. v: Q, Z1 b" K) u现有的mdx词典，其实足够绝大多数人用一辈子的了

/ d8 j: w9 |7 Z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。
( r. P% s1 W" Q* d
本人最常用的词典：
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。

( W5 K9 z3 K/ s. a" `, s替补阵容：LDOCE、词源、短语8in1、韦小黄&韦小绿、Garner Usage。
LDOCE用来查常用词的惯用法/搭配、语法信息；
% x( ?1 N: t' V4 G1 j词源用来辅助理解、记忆单词；
1 U( g0 r" r0 C8 {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；
0 v1 U& B0 W" V- t  K$ k% D  Y& c3 h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。
: S# F, g+ w3 [
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。
7 a- b. y6 a! V4 {4 L“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。

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。

happlebao

针对

IV. 片断索引型网站

说一下。
" M' L/ ]. [/ q7 i0 m- q9 t/ w4 h5 z0 ?其实只是你没有发现而已。
ODE： http://www.oxforddictionaries.com/browse/english/
RHD：http://dictionary.reference.com/list/a/
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。
以第二个为例：
inurl:browse | inurl:list site:dictionary.reference.com
3 @- c6 f3 c0 r4 _2 Y
PS：最近才发现这里，发现资料很多啊。

bt4baidu

排版、修改他人制成品小技巧
% n  R3 I! p9 }: x
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
6 ?9 ]$ B4 s! N: a1 ?" D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。。。
9 _: D: ?( x/ o7 q' |5 C9 x4 K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
; B. u5 k# Y' X9 k9 r1 v
1、Goldendict里，在想修改的地方点右键，有个“审查元素”：
5 H" K, Q7 A; H) ^  F* T# r$ c5 M

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

2 Y$ w/ x" J/ T3 {# {3 Q
3、修改就用Gettext等工具解开mdd文件，然后打开css改相应的地方
2 `# b; C: M! U& W. [/ v: a
- @$ o: M( |1 X
收工

Oeasy

. B4 G  s- w0 f4 s: W; d2 i
/ R# ]$ j: A7 l* _感谢楼主分享知识和经验。
) P, b4 i) K+ t. b# z5 n
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。
; F, j8 i' h) O& {& s$ z
& T% c" ?, a$ a3 y3 C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。
& @9 H8 C1 T9 i. \/ q0 C) H( U
+ k; ~' d1 o1 l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。
6 o# e1 A1 G% M5 B1 |# X9 I. ~3 M
% l# B+ B" B: V2 e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。

0 Q4 _- e% ~7 |  `6 h
, S3 W' [8 @1 x/ y. W
7 h& B  v! B1 C5 _( x: @

bt4baidu

Windows下制作词典必备的文本处理软件：
" J, c2 T2 Q; [3 d( m7 b' ~

• EmEditor
• Beyond compare
  

. e* V% S* |8 K- d
' n% ^+ A5 ~* S9 Q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 m4 F4 j$ Q& u3 @现有的mdx词典，其实足够绝大多数人用一辈子的了
7 X8 ]4 U. A4 K6 D5 d& s1 N( w
' J* M' {0 T* V: w. O' G, h$ C本人前段时间制作、收集了不少，经过一段时间的比较 ...

& U$ Q  G% B  \" u4 l" A肺腑之言。

bt4baidu

关于字体，请参考
& s4 U5 r8 C' ~7 R2 f
! y6 U* p7 V1 m! K网页设计中最常用的字体有哪些？（中文和英文）
; A% o: o/ |2 X) _) _/ a7 khttp://www.zhihu.com/question/19680724
" c+ B6 ^3 l3 l* x3 e; W
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
( F" w8 n7 c, w$ j6 J! ~) f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 t8 `) y9 x0 R$ F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 ...

: A3 r; G$ a" i3 `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
' y: [5 ]; e# |' s9 l1 j  n. k: _想请教一下楼主是怎么处理这些问题的呢
. |6 J" I( E+ Z( c# ?: j' x2 o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

* Z. W) x5 p- e( j  }
/ a0 X! H0 J# a; c' {+ `& u( Ljava和.net就是个垃圾，我懒得提而已
: z  X+ M! Z. M9 B0 s) U/ m4 ]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
( ]' K1 I3 U2 z+ M8 e# K) ^$ K
) N% j% x$ C1 h9 s& ?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。
2 }6 i4 V5 a5 B! h& ^2 A
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。
" D* H5 d9 |+ f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。
) M6 i! w' l5 O  c! n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。
4 }6 m( N' b; y8 T9 Z$ {* {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 k! M* T' w; K0 P
2 d7 X/ y9 D9 P) o$ ~# s0 N$ O
& G* r; j" s6 w, A7 m

meigen

0 J) O& E- u3 W% M" B2 D6 e5 u算了，道不同不相为交流
想起某个梗
$ _$ `9 v! P+ R3 [, ^: ~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！

! }0 G- f( X, [' ]0 v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。
9 |, V: m+ L# v$ s) R% p* d
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 y; h6 v; o4 _* v+ U$ h- u/ J算了，道不同不相为交流
$ ?6 c/ s: [6 s* ^* W3 U想起某个梗
程序员眼中的编程语言

不同的语言适用于不同的人群：
) {- q" J1 z: {3 f- p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。
4 u' D3 _: d* G, ~; |  r  K( m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。
3 N1 b/ Q: `# _( W4 s4 j. Y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。
7 H8 `% t0 b+ H* v$ @1 @7 G- Z# Y! z
& ^1 t$ e# ^: S0 i; Z编程语言的口水仗永远也打不完，不争了
9 v, a/ L- {$ _( C

bt4baidu

大熊部落 发表于 2014-10-21 00:35
& u3 ?* e3 W6 W; [# W不赞成多线程抓网站，但是好贴子要支持！
7 J# y# C9 S, r. W4 q# f, t
自以为是“文科生”的朋友们就别学Python了，因为这个世界上还 ...

4 r3 [) z8 f* d: [下载软件？推荐一款？
% G! A& K% _6 `6 T& L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；
4 F. a4 X: T- z, f  m6 H' n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？
, a/ a; o  w5 k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。
; w6 W- h6 c2 r% E) S* n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。
" C1 w0 R% u2 d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，
7 ~, H( R: n: u+ f) V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：
$ s( x' h" `4 ]! h. |" q8 \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。
未来会出现一个新的行业：私人计算机管家。
' _0 e5 V" C' i1 S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？
3 C; `! i" ~! @% Z8 b1 N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；
& j/ e/ a9 O3 }. ?) j4 e, K现在99.999% ...

7 H# A* {1 s% r- _7 `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。

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
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
9 Q# @2 @; s6 c: E, u
: t5 e  ~! \' t3 u+ P8 j

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。

1 D  ^& b+ y6 G3 K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。

' J6 Z6 T: K! P+ z; A+ {4 d$ _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
计算机是用会的，不是学会的；
, s+ G2 p8 G! I9 q# w: w! P6 i3 W程序是调试出来的，不是写出来的
- G" ^2 C! K+ C6 G$ x
9 @0 C: P. m6 K( L8 Q! {) ]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, @: q& ~5 O: A, `; E1 v& D) q. g5 D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 ...

' I& b  @5 J0 e' j* B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。

* s6 g9 q( D6 Z9 ?$ x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