我是这样用 python 制作词典的

yaodis · 发表于 2014-4-13 18:45:23

本帖最后由 yaodis 于 2014-4-13 20:51 编辑

本文讲述了 [英-英] 适合高阶英语学习者的 Vocabulary.com Dictionary 优美发布的制作历程
，希望给有意制作词典的朋友们一点借鉴

关于我
为了和 O大Oeasy 交换词典，半年前萌生了制作自己词典的想法，或者说，谁没有制（zhan）作（you）一部自己的词典的想法，只是面对未知心有恐惧没有行动，这次使我下定决心开始搜集信息， mdict版制作方法和常用工具）让我对mdict词典格式是什么样的有了认识，也就是说数据有了怎么组织大概知道了，但网页数据用什么方式抓取还是不知道，抓取了用什么方法提炼排版成mdict要求的那样的格式也不知道，[索引] 【2013.11.27】词库制作中可能有用的软件、技术整理而这个帖子中python网络爬虫一文让我决定试试学习python，会了编程，再用程序排版应该很容易吧，而我之前又听说python很容易学，于是就这么愉快的决定了

寒假里断断续续看了一些 regular expression 视频和python的入门书，虽然如此，开头总是难的，还是不会如何下手，第一步就不会——python到底如何批量抓取网页内容呢，3月初看到 python培训_python爬虫.flv （这个视频我觉得很好）原来是这样，便开始动工，到3月底，已经把网站下好提取成型了，又花了十多天排版CSS，终于在4月初完成了，历时一个月

python学习
我主要看了三本书Hello World - Computer Programming for Kids and Other Beginners、Python for Informatics、dive into python和官方的文档，如果0基础可以从第一本看起，里面有很多章节关于GUI编程的都可以跳过，我就只看里面前几章和后面的几章，这本书让我知道了计算机都是从0开始数数的；第二本非常非常非常推荐，里面蜻蜓点水涉及了我们制作词典需要的所有东西，怎么用python下载网页，还简单介绍了regular expression怎么在python里应用，网页的数据结构XML，json都有，我这次制作这个词典里面就用到了json，因为网站就是用json储存wordfamily数据的；第三本侧重于python本身，我想如果看完了，那再去看官方文档就没问题了吧，这本书我没看完，所以官方文档我看起来很吃力，从这本书知道了if __name__ == '__main__':是什么意思，以后你会发现这很种看似有点吓人的东西python里很常见，所谓的面向对象编程，慢慢就接受了
语言上这三本书都是英文的，4、6级水平读起来就没问题了，难度上，这三本书都是入门级的，但是制作词典需要掌握的基本够了

开始实践
多亏了上面提到的那个视频，我迫不及待的想动手自己试试，此时这三本我现在觉得帮助很大书只看了第一本，不然的话，我还可能会按部就班的想——我先把python学的差不多再说吧，寒假里看得正则也忘的差不多了。因为这个视频一上来就实干，所以我也就干起来，边干边学，像视频里那样，分析了vocabulary.com是通过“http://www.vocabulary.com/dictionary/definition.ajax?search=”这个网址来传输词条数据的，我还得用python加个代理，不然连续下的话服务器会封我ip，视频里只教我这么多了，但发现自己下载10个单词就要1分钟多，近15万个单词全部下载完要10天10夜呢，我就想能不能快点，能不能多线程，又搜别的资料，python基础不牢，多线程看了4、5天也没头绪，主要是什么join啊，lock啊，因为线程可以多，但数据怎么保证完整XX，我放弃了，决定手工模拟多线程，把15万个单词分成了10个列表，分别运行10个程序，这样我1天就下好了

这期间当然还会有其他问题，比如最少得有100个代理吧（当然这么多代理是用python从代理网站抓取的）（因为有10个程序，每个得有10个代理供其随机选才够吧），这么多代理用免费的，质量肯定会参差不齐，实际上我从网上搜了一个检测的程序，结果上次运行的结果再次运行还是能发现坏链，所以，必须加上意外处理机制，我的方法是，10个代理里面如果有一个是坏的，那我1万个单词就有一千个下载失败，我把这一千个单词收集起来，再运行一次程序就只剩100个了，依此类推

下图就是我最终用来抓网页的程序（希望给还没接触过的人一个直观的认识，主体就只有这么多，50行不到，右边就是要下载的单词列表），代码就不贴了，我也是照葫芦画瓢，大概的意思日后懂点python了你就能看懂，也能自己写出来符合自己需求的了

下好之后就要提取需要的内容排版成符合mdict要求的格式了，这里需要懂点html（css）和正则表达式了，html（css），我觉得这个网站就挺好 http://www.w3schools.com/，正则，网上很多教学视频。什么都不懂的时候看视频快一点，懂一点之后动手尝试学的快一点，不要指望可以什么都懂就不会急了，总之慢慢来。而python此时只要会基本的文件读写，列表，词典等数据类型就可以干活了
下图是我从下载来的数据一站式生成可以直接被MdxBuilder使用的词典原格式的代码，虽然只截了一半，但无非就是反复运用正则，然后人为的组织下运行结果的结构，我里面同样为日后的CSS排版写入了class名，当然，这都不是一次就成型的，都是要反复打磨，不然怎么能用10天搞CSS啊，特别是我这种完美主义倾向的人，要了命了

结语
我所有的代码没有一次直接成功，都是反复修改，遇到问题、疑惑最好用英文单词罗列问题谷歌，国外的编程社区问答很健全，大部分解答很详细，我这样的新手也能看懂
同样，作为一个新手，很多更巧妙或更省心的方法（比如python的第三方库BeautifulSoup）或风格更专业的代码我都无瑕顾及，仅凭着一点三脚猫功夫就把词典做成了，可见词典制作也不是那么遥不可及，如果你也想试试，那么利用我在 vocabulary.com 网站文本数据下载中提供的数据，通过正则提取全部音频的链接，然后制作一部发音版的词典或许是一个不错的选择，或者省去下载的麻烦，你也可以自己尝试制作完全版本哦（而不是我那样人为的分割成两部）

Oeasy · 发表于 2014-4-13 20:14:26

子曾经曰过：“此事非难，唯欲行之云耳。”
祝贺楼主。

pangqiu · 发表于 2015-11-20 21:29:56

学习了，自己动手，不错。

yaodis · 发表于 2014-4-13 18:47:46

本帖最后由 yaodis 于 2014-4-14 11:56 编辑

－－－－－－－ 2014-4-14 －－－－－－－
有人私信我制作这个网站——http://ruigo-tamatebako.jp/
这种网站把词条都像博客文章那样罗列出来了
和这个视频的抓取方法类似 Python网络爬虫实训：看我如何下载韩寒博客文章 http://edu.51cto.com/lesson/id-12393.html
信中他还说到，“用迅雷下载过几十个网页，用webdump 等都下载不了”，这可能是对方的服务器封你的IP了，所以最好挂上代理，或者简单点的，python里有个函数，可以人为的让每次下载间隔一定时间，温柔点服务器就不好封ip了，但就是要慢多了
我说的这个函数视频里都有介绍，函数和视频本身都是入门级的，稍微学点python（一两个星期吧）就可搞懂

yingyuxx · 发表于 2014-4-13 19:02:18

楼主，能用teleport pro抓取网页吗？

yaodis · 发表于 2014-4-13 19:04:10

yingyuxx 发表于 2014-4-13 19:02
2 P2 _. g9 U! B5 ^楼主，能用teleport pro抓取网页吗？

我都没听过teleport pro，你自己搜搜吧

yaodis · 发表于 2014-4-13 21:08:05

Oeasy 发表于 2014-4-13 20:14
5 S/ O* t* n7 h/ [3 {子曾经曰过：“此事非难，唯欲行之云耳。”& q8 g1 p9 E, n( Y/ A: O. W. E
祝贺楼主。

还要感谢O大啊，算是我半个师傅了

yisdict · 发表于 2014-4-13 21:47:50

支持楼主，很好的经验。

liuyunrushui · 发表于 2014-4-13 23:26:50

无限感谢楼主！
谢谢您的心血！

tsiank · 发表于 2014-4-14 13:22:20

本帖最后由 tsiank 于 2015-5-19 00:08 编辑

.

yaodis · 发表于 2014-4-14 13:40:40

tsiank 发表于 2014-4-14 13:22 8 [- J+ X7 Q8 a9 {6 J. ?
你好，可不可以帮我提取一下这个网站http://www.eastling.org/OC/oldage.aspx的数据？

亲，方法我都说了

Oeasy · 发表于 2014-4-14 18:48:03

本帖最后由 Oeasy 于 2014-4-14 18:49 编辑

tsiank 发表于 2014-4-14 13:22 ( J8 x& W; _2 k6 N
你好，可不可以帮我提取一下这个网站http://www.eastling.org/OC/oldage.aspx的数据？

这网站很高大上啊，抓取不易，不如直接和站长联系，看是否能够获取。

另蓝海兄可以看看这个
http://att.k.newsmth.net/bbstcon ... stics&gid=75076
http://www.guokr.com/post/577961/

也可以和作者Maigo联系。

tsiank · 发表于 2014-4-15 09:12:12

Oeasy 发表于 2014-4-14 18:48 - T' K* Q0 _. c/ J* G5 Z* e e, Y
这网站很高大上啊，抓取不易，不如直接和站长联系，看是否能够获取。
2 k v3 Z' y Q+ B
& |; V' ^' U6 A4 g另蓝海兄可以看看这个

我曾用WebZIP 7这个软件试过，可是抓取不到内容。联系站长肯定是不行的，呵呵。中古音查询的，我早就自己做成了，其实这个上古音的，我也已经有了完整的一家了，现在只是想把这些数据下下来做个系统的对比。看来我只能手动一个个查询复制粘贴了。

perhapz · 发表于 2014-4-16 19:57:49

sublime?

yaodis · 发表于 2014-4-16 21:56:57

perhapz 发表于 2014-4-16 19:57
' B' l' E) F. t% X$ v, csublime?

对，但是这个软件打开300mb+的文档还是会卡

1505082887 · 发表于 2014-4-17 00:54:41

楼主真强发词典又传授经验我们这些菜鸟真该好好学习学习了

快乐巡洋舰 · 发表于 2014-4-18 22:13:44

好辛苦啊，楼主更伟大

porozhouhang · 发表于 2014-4-22 01:12:34

感谢楼主

Rjccc · 发表于 2014-7-19 21:08:31

楼主，像我这样的文科生学python着实不易。我都看了3天的python书了，看不懂你用的是什么工具啊。我只会打开python的IDLE...能否告诉我要用什么工具抓取。是用python的什么模块？谢谢

yohaa · 发表于 2014-7-20 01:24:13

标记学习做字典啊

sharklaser · 发表于 2014-8-17 18:35:59

感谢前辈指引...

menkara · 发表于 2014-10-18 19:47:33

这个帖子太励志了。零基础居然可以学成PYTHON并抓下来词典。非常感谢楼主分享经验＼(΄◉◞౪◟◉｀)／

negroninio · 发表于 2015-10-13 00:26:28

这让人汗颜啊~

lxchen2001 · 发表于 2015-10-19 23:36:06

请教一下：没有接触过Python的，想学Python, 用哪个版本比较好？

动视暴雪 · 发表于 2015-10-22 15:35:49

收藏了，这个是在是太有用了

momojie · 发表于 2015-10-23 06:35:45

除了佩服我还能说什么呢？制作词典的又一个渠道

		自动登录	找回密码
密码			免费注册

[教程] 我是这样用 python 制作词典的

本帖子中包含更多资源

评分

本帖被以下淘专辑推荐:

点评