【史上最全】在线词典抓取、制作技术汇总

bt4baidu

1 L  G& T" _5 O% Q) T+ S' d0 s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。
. W9 h7 k- H( ]/ w& n1 ?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。
" {* D4 c$ p+ V4 U
! ~. y0 L' _5 B" R一、计算机的两个终极哲学问题
& `5 X3 O, R3 C; _1 K1936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。
6 U; W/ z3 W  Y. J( a# E4 `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。
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。

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。
这两个问题，就是计算机的终极哲学问题。
- L" m9 u$ N# o7 b% j6 k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。
( R0 X) S( W8 _  y, D' V5 d: }
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，
& P7 J, e' ]: x6 ^; ]* H——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。
' J7 Z+ N3 p7 O3 a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，
) N& l/ T& Y0 v; y1 \! a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。
! O& b, z0 I  \3 _" ^6 l5 p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。

& |1 N% ~6 S+ `9 Y, L# t0 C3 d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。
+ I4 R* k% p' V7 g) D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。
9 y8 F  C( s: ^' Z. a咱不奢望成为专家，写写程序总还是可以的吧？

& f# b  e9 m2 S+ l二、采用何种编程语言
$ l1 R  \8 X  D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。
抓网站，恐怕没有哪种语言比Python更方便。
. v3 F, e! b% Y$ `1 {7 ]* t7 u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，
1 G" m6 @, c( P! A没有慧根就别吃这碗饭。

三、网站抓取技术
  j' X& p. [1 ^3 u8 ?7 K; `1、下载某一个网页，提取其内容
3 L+ m( q% z  x+ J: F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

2、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。
7 h1 Q# |/ E" g) B+ y' P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。
1 J$ ~; ~9 n$ t& B& ]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。
! \, h. H! X) I9 t: b. W8 K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
3 k6 d, `) {) E/ c5 x, @6 D比如http://www.vocabulary.com就是这种类型。
" x+ x# U$ D5 D! O- W4 o1 }" h& M" O  K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。
( K9 W; g+ J5 q' k9 `8 H
8 J( v" L. S; \* Y9 G/ nII. 网站有索引页面
  |  ?, Z; m. r  D( a+ V# @5 ?如：
6 U( p& \! O5 D7 e8 X" nOALD（http://www.oxfordlearnersdictionaries.com/）
它的索引页在 http://www.oxfordlearnersdictionaries.com/browse/english/
. F$ T) x8 y3 t  TLDOCE（http://global.longmandictionaries.com/）
  Y! j0 j" S0 {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/
: e% ^. B9 @+ \4 y等等
4 H4 z  P; m- {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. 
   3 m" D* m% f! k) T3 b! B& E
2. urls = []
   : m, V+ F5 @( Z6 }- }; f
3. for someindex in indexs: # 循环所有索引页
   
4.     browseurl = ''.join(['http://somewebsite.com/', someindex])
   2 I0 y" |  K* y8 m' W" a8 A
5.     browsepage = getpage(browseurl) # 下载索引页面
   : Z: U% B  |/ E0 x1 A( v7 C5 x
6.     target = SoupStrainer('sometag', class_='target') # 抠出放单词链接的区域
   6 k- |! W$ I8 S8 U
7.     bs = BeautifulSoup(browsepage, parse_only=target)
   
8.     if bs:
   
9.         for a in bs.find_all('a'):
   ; ~9 D( b( }2 Z& X1 H% @
10.             urls.append((a.string, a['href'])) # 取得该索引页上全部单词及链接
    3 x* i( _4 ]4 {8 E: y7 Q
11. 然后：
    
12. for url in urls: # 循环所有单词
    
13.     wordpage = getpage(url) # 下载单词页面
    - `9 y2 g& s0 E9 B6 b# d6 i

复制代码

2 v* a- c, r. Q3 c
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
, M8 e; I" _+ }4 a9 P

1. 
   " M7 M. {3 e9 h& h( r# e0 T; G
2. for someindex in indexs: # 循环所有索引页
   - E( I+ o/ x+ i6 H
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
   # J( Z" f% O& H3 c
6.     bs = BeautifulSoup(page, parse_only=target)
   
7.     for tag in bs.find_all(target): # 循环抠出单词
   
8.         worddefine = getworddefine(tag)
   % d* D/ e! b2 E1 h( ?4 |

复制代码

" {; r* o5 E+ H/ p; n
IV. 片断索引型网站
% T) J2 R7 \# v8 T8 N4 m3 c如：
ODE（http://www.oxforddictionaries.com/）
2 Z. c2 X% ?3 h; J- F每查一个单词，右侧边栏有个Nearby words
RHD（http://dictionary.reference.com/）
0 x) i  z& e% v/ h2 l5 K+ m# U右侧边栏有Nearby words
CALD（http://dictionary.cambridge.org/）
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。
1 L, N8 s3 G: ~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，
2 j0 ?, V% f% g: C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）
- J2 o8 h. b* p$ X  ?, ]

1. 
   
2. cur = 'a'
   7 i. f) N* `" C, {* M
3. end = 'z'
   
4. nexturl = ''.join(['http://somewebsite.com/', cur])
   
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
   

复制代码

. D* E) r& B- X. s$ U, [# {
V. 完全没有任何索引，那就没法子了
) E8 M0 ]3 L$ ^4 y8 A9 R% u2 H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
* c1 ^) W6 M; ^; w5 P理论上也是可以的，就是效率差一点；
% d  u4 h8 o+ Y) X+ m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。

3、提高下载效率
/ q! g8 Y. [; i- d( @- z: m0 ^I. 多进程
! {  J- b9 u5 {7 _# u" P6 Z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。
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，
5 ^! [) T( q- s6 c; S9 E有些网站还经常抽风，半分钟下载不了一个单词，那就更慢。
/ Z% L  u- g" D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。
9 n7 ^& J' i: r  n同样十万个单词，分成25个进程下，也就是28/25=1个多小时。
) p  X3 v4 E8 M* L! M3 o, ~/ p) v  E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。
在Python里开多进程，同样十分简单，
& S9 g5 U! ^# E, v9 ?- G

1. 
   
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
   

复制代码

这就搞定了。
+ ^5 Q- F" g0 g  m% W1 U0 q$ O
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，
3 n6 F" V! ^  N$ ~/ B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

6 C8 u& m: R% r5 R初学编程的人，一碰到进程、线程，常常有种畏惧感，
! V: c4 E. h0 X4 k6 Y& W看到同步锁、共享内存、信号量什么的顿时觉得头大。
4 X0 x/ t- F8 d. \- @! O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，
& M% v5 n: e  T/ M+ i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。
% j5 O+ t" y/ t$ @3 U( m  @
2 h% z; n* z$ b0 \: O. ZII. 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。
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。
$ S7 w2 O4 J" F& T3 F0 O# ?- ?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. 
   , c+ P& L$ {9 \! A! z
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)
   ' Y+ H9 {/ D: n" ^( f$ y' r! k
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
   
9.         return True
   ! i" a6 Z5 b! a% g) g$ S9 {
10. 
    
11. def download(part): # 下载一个区块
    9 e/ @" j8 B' m7 s4 i
12.     words = getwordlist(part) # 读取单词总表
    & _. I5 Q1 T8 O1 [
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:
    
16.         word, url = words[0] # 首次从头下载
    
17.     data = [] # 用来存放单词定义
    
18.     while not_end(words): # 循环下载
    : N! M4 b( i: ]1 G2 r
19.         if not fetch_a_word(part, word, url, data):
    
20.             failed = True
    8 o) ^- [5 h2 S+ _
21.             break
    
22.         else:
    / S( G! e' n+ n! l
23.             word, url = get_next_word(words) # 准备下一个单词及其网址
    + N- I1 ~1 V7 h1 ^, ?- A
24.     if failed:
    & ~! l, i: I1 K4 f7 O* j+ T/ ~7 w7 P
25.         suffix = '.part'
    * z$ L: N# m: c/ ]# a& n
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'
      N) B3 X0 F$ Y1 {* @' s% ]4 ?
27. 
    
28. def isfinished(part) : # 判断某区块是否下载完成
    - r8 O/ `/ E$ M
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
    : X( P5 z! l/ O5 \4 u" [7 X- i
30.         return True
    
31.     else:
    
32.         return False
    
33. 
    
34. def downloadloop(): # 循环检测未下完的区块
    ; I1 @0 M" ~5 F
35.     finished = 0
    
36.     while not finished:
    / l  b- z4 K; ?5 ]- T- M) a
37.         nf = [] # 没下完的区块
    ; a& \: R. T, C  }1 e& l
38.         for part in parts:
    
39.             if not isfinished(part):
    
40.                 nf.append(part)
    ; c8 `; U3 H! P1 ?& @' t
41.         finished = not nf
    + q3 U7 k5 J. T/ u. @; \
42.         for part in nf:
    
43.             download(part)
    ! `) V- W0 t  I8 V

复制代码

/ z: a* e+ c2 c0 u# R# f% 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）
0 \2 u, \5 `) D* P+ @9 e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。
* L0 p# J2 n* \, |9 M0 h: i( M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。
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。
2 f( V/ |+ k( N! X, l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。
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/
4 i: m9 m9 J; X# ]: p8 b, t: Dhttp://docs.python-requests.org/en/latest/：
% e$ J7 v7 ?  T

1. 
   
2. #urllib2
   
3. import urllib2
   1 ]" r: C3 Q6 i  g1 H
4. def getpage(url):
   ! R6 E# w' e3 H$ E$ V4 f( h
5.     req = urllib2.Request(url)
   ; ~& e' j! ^% @) y! s  p3 m
6.     response = urllib2.urlopen(req)
   9 X' F3 g6 T& ~& N
7.     page = response.read()
   
8. 
   ; l" g; C- ^' w6 H0 _7 U
9. #urllib3
   1 s  O$ I8 [0 U3 n
10. from urllib3 import PoolManager
    
11. http = PoolManager()
    
12. def getpage(http, url):
    ; B8 Q! X' w6 h* c
13.     r = http.request('GET', url)
    3 W2 m: K; S4 _9 Z
14.     if r.status == 200:
    
15.         return r.data
    ) e1 n- F7 ~; n  h& E' ^$ m, q
16.     else:
      q& b3 d0 I" S# l
17.         return None
    
18. 
    
19. #requests
    
20. import requests
    . W* ]6 L! M. _+ r
21. session = requests.Session()
    
22. def getpage(session, url):
    
23.     r = session.get(url, timeout=10)
    
24.     if r.status == 200:
    ' ~& Y4 X( g  _$ G, f' E
25.         return r.content
    ' [4 w) u+ B# c
26.     else:
    % d2 \" B; m' F. ?
27.         return None
    

复制代码

& v/ i# v+ z% Y  k四、后期制作
1、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。
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
: [/ a3 X0 F  J3 |* o8 w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。
# s# N1 k. G; Q3 j3 [+ Y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。

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
4 O# }* l# V7 D2 L- e* [# D! e6 z: i! shttp://www.w3school.com.cn/css3/index.asp
  h' V0 F) |. N6 D! u' F+ S% {非常系统、非常全面。
: c3 A3 O& u1 n( U- d4 i6 E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。

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。

8 [7 h" P1 |! S* U/ d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。
6 }9 w/ S9 H1 x, O6 A" V8 r4 Z
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。
虽然每个人都觉得自己至高无上，应当受到别人重视，
2 R0 ^& G! `$ k: 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
  x5 S0 Z# D7 P  G' l6 B1 j
" ]9 e7 U! l7 P* |: J) ^
========
六、拾遗
$ E$ s% J0 j: G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
: C& N4 z/ J# X/ ]' \5 p, G7 U确实如此
2 e" F. f5 y+ Y: ~( a: m5 p不过这里只是举例而已，不用太较真啦
6 @/ N7 [( ?; l' L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。
3 q" i" M/ N5 u3 o* N" U5 y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）
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
。。。
3 U8 R- Y& a9 H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）
- a0 t5 p8 A( b  W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。
2 Q. x; x, c- f/ K4 i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。

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
* H' p5 o$ v  y
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。

, N; v% U; J; ^1 r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。

替补阵容：LDOCE、词源、短语8in1、韦小黄&韦小绿、Garner Usage。
4 z4 I% m1 n4 t3 M" r( m( r. JLDOCE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；
! ^1 m1 j1 H. O% w! t; c9 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；
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。
' q7 c: B0 c: O1 Y! C
8 A8 C( T3 [3 @1 c/ f7 L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。
2 I/ h- w% B. U3 S/ V8 `4 D0 h, C2 t3 T: J“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。
" P7 s8 D, H2 o2 q: l8 x$ ]

happlebao

针对

IV. 片断索引型网站

说一下。
3 B8 W6 _$ E4 [1 N( M其实只是你没有发现而已。
5 b% G& Y3 o. f) ?2 e; W6 e6 tODE： http://www.oxforddictionaries.com/browse/english/
RHD：http://dictionary.reference.com/list/a/
  c8 }5 b2 Y/ |+ ^6 h- n4 jCALD：http://dictionary.cambridge.org/browse/learner-english/
& r$ H, ~3 t9 E$ V1 \! t! q
8 F- k1 ?6 b1 U" D# G  w$ q& o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：
- r" _# o8 N% i7 h# I* ?0 v2 sinurl:browse | inurl:list site:dictionary.reference.com

PS：最近才发现这里，发现资料很多啊。
+ U* O& V# f" g# j% ]; Q4 {! {

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
) _$ ^, J+ U+ S1 w3 Y9 p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。。。
6 ~' C+ p- v% |' n: v8 s- C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”：


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
. u1 A- {8 N4 l; A) n
) i4 k- m4 A9 X
  p' S* h: {; B! d3、修改就用Gettext等工具解开mdd文件，然后打开css改相应的地方
! ^0 M. ^. l, B  Z) Y: q* F
3 V8 Y- w: [1 ^& P! \. K
收工

Oeasy

& J# e" Z( N3 g0 F. E. S( ?, ]

4 G. F4 x7 [  w! }" D! ~
感谢楼主分享知识和经验。
; p+ C' h% y- N) e! q
( v8 B1 N1 M/ V4 W/ Z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。

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。

0 r+ P8 q" k: c

( X/ F6 i$ B' I; v" k, z

bt4baidu

Windows下制作词典必备的文本处理软件：

• EmEditor
• Beyond compare
  # w" j' C8 c  I. y

& ]' l/ Q6 Q$ |& R3 D/ e1 v
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
9 t) \+ C% g# i$ R8 u+ B现有的mdx词典，其实足够绝大多数人用一辈子的了
- G5 t: i  v; g* F& r5 Y
本人前段时间制作、收集了不少，经过一段时间的比较 ...

! v/ Z: a9 W  t+ _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）
2 R6 W7 b0 a- t9 yhttp://www.zhihu.com/question/19680724
% J& C4 H/ x& m2 D5 t, m/ [! S' R# m
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
0 x5 n8 G1 Z! B* u( E( L$ ]

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 n9 w2 r* A- d* V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
2 m4 s. T8 G; c7 D这个适合的话感觉是兴趣和难度
/ n1 I( D2 A& K5 y$ {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

java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：
) q/ ?# W% ]! @; f1 S9 Dhttp://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。
+ E' H, ^' k9 R. r2 X5 Z. G% R
. g7 H% x$ O+ b/ N2 X& V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。
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。
* s6 c2 t+ V* h2 v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。
: d$ z) _. _1 H. \* |) W0 E* P
* J1 k1 o( o, h' l: a! I

meigen

6 g7 E$ A+ h6 {4 N: a# B; d1 e
! [9 L7 b! X+ J* R2 Z7 w0 r算了，道不同不相为交流
5 n. O$ Y+ f. Y+ e0 ~  Y4 J2 j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！
3 E$ D) t- b% t! e4 n2 @
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。
% W! p# R( O: a& L* H
' G3 G" r, B; `/ [: 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
! {, r, m5 ], I4 z3 z# O7 _算了，道不同不相为交流
7 A4 F0 I5 q6 A! |& X6 i; m想起某个梗
: v$ G) k: w; D程序员眼中的编程语言

# [+ i1 @. e0 }; m2 ~8 C) f- s不同的语言适用于不同的人群：
/ M6 p+ i$ Z+ _: d) V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。
+ G0 u1 d! U: i, n; c2 ~6 c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。
; [; Z! Z$ c& r7 F+ M3 s* O/ k5 p0 D% u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。

4 V% X9 P: c+ e+ v7 s编程语言的口水仗永远也打不完，不争了
. {% c. A5 J* J/ U! t9 X

bt4baidu

大熊部落 发表于 2014-10-21 00:35
, C) B- ~* }. p$ d) F- ~$ C1 v不赞成多线程抓网站，但是好贴子要支持！

  p  W& N) O3 k' C& 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 ...

- q# X& ~- B. m下载软件？推荐一款？
: c' ^/ X: H* a3 r0 }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；
+ C1 M, a7 I4 d( o, x& z& o$ q2 R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？
5 V( [( G/ y) T) J" T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。
" ?: E' g' _" b3 R( z! e6 f3 M. l; ^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。
  G0 q/ k$ S# p- L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。
& {+ B1 q# }" p! B
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。
' Z0 V/ A) V. ~- H7 u) m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，
0 I8 ^' j8 }( I0 |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。
7 \2 n& c- `) s" A) {# B

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。
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。
' E/ f. l% Q6 q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
7 |- n0 f' L) w7 c. J下载软件？推荐一款？
5 Z0 Z3 u6 a: F8 G& F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；
5 b! L0 P% K4 K  b* A" K现在99.999% ...

7 N( y1 h8 B/ T0 b- h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。

0 v% D1 g: u; f& w4 g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。
, M6 Z0 @, R" w% c& v" y
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。
( `5 a# Q  _7 k, _; _' E
; `( _4 P; r( q3 B  d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
$ t! e3 x- Y; \5 {7 P. @- `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
, j5 A2 b4 C% A
8 b" w! e9 y( w+ ], i

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。

: ]7 W! {( Z2 H# c2 J( C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
4 x, O/ U# f% _1 E8 J5 \& q% o计算机是用会的，不是学会的；
程序是调试出来的，不是写出来的
9 g4 e0 w1 v+ U2 U* h4 X# Z
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。
: }/ {" w% X5 S* p6 l: P. Q. ]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
( q4 g( ^# _& h; q8 j" C( ?& h8 q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。

! m4 Z% m% q3 b$ H$ h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