【史上最全】在线词典抓取、制作技术汇总

bt4baidu · 发表于 2014-10-19 15:25:55

本帖最后由 bt4baidu 于 2015-11-22 10:08 编辑

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。

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；
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。
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。

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。
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。
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？

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。
抓网站，恐怕没有哪种语言比Python更方便。
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。

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：
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。
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：
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。

II. 网站有索引页面
如：
OALD（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
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。

- p. G& y% Y* Q4 [8 e2 b( J
urls = []
" z/ `6 ], b0 {# r& R
for someindex in indexs: # 循环所有索引页; a0 [3 ^5 p3 M' \4 e' z! \5 f7 j
browseurl = ''.join(['http://somewebsite.com/', someindex])) x, E1 }# d- i4 C3 G1 Q
browsepage = getpage(browseurl) # 下载索引页面
3 s, e! I* t8 D8 J* {
target = SoupStrainer('sometag', class_='target') # 抠出放单词链接的区域" t1 j4 p Q9 K
bs = BeautifulSoup(browsepage, parse_only=target)
% p2 z K/ Q; A( q7 d8 G5 w. D2 |3 x
if bs:. \- Q; U8 @7 I
for a in bs.find_all('a'):
( ~4 c& R6 p( w7 b8 f
urls.append((a.string, a['href'])) # 取得该索引页上全部单词及链接' a( h3 }7 B# [9 I* x! P5 b, U
然后：
* ~* c1 i! g5 u) h' U+ V% J
for url in urls: # 循环所有单词
" t+ {$ l6 n9 B- b* k
wordpage = getpage(url) # 下载单词页面
' F0 L6 j5 ?/ ]- `( i

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

1 \6 D6 _7 i7 a# J3 E9 [
for someindex in indexs: # 循环所有索引页# ^4 B+ b3 J2 v2 L" Q
browseurl = ''.join(['http://somewebsite.com/', someindex]), f& [+ G. z+ R+ Y0 y8 J
page = getpage(browseurl) # 下载页面6 N9 i; z1 a! G" U* |
target = SoupStrainer('sometag', class_='target') # 抠出放单词的区域, y! J. Q8 b+ ] H3 D8 `1 l# d
bs = BeautifulSoup(page, parse_only=target)
# I# i5 @ ]$ V8 V w/ m! T4 c
for tag in bs.find_all(target): # 循环抠出单词
' j) k/ ~8 z8 c& e. F* k# @% |
worddefine = getworddefine(tag)
1 a5 b9 o2 a/ Z

复制代码

IV. 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/）
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。
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）

6 i7 j* @" F+ G- k. z
cur = 'a', r$ n7 U" Z4 `
end = 'z'
, ^6 X v" k+ J: @ `
nexturl = ''.join(['http://somewebsite.com/', cur])
/ j+ Z+ ]4 g% T: O1 h
while cur!=end and nexturl:
! U! @2 g' @9 \1 j& f
page = getpage(nexturl) # 下载单词页面; @2 K) i4 D3 S" f" X
worddefine, cur, nexturl = getword(page) # 得到本单词释义、下一个单词及其链接
% h3 R+ |. r {8 O

复制代码

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；
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
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。
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。
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。
在Python里开多进程，同样十分简单，

$ p9 N& k' g1 o; q. M
from multiprocessing import Pool
7 Y4 b/ ^1 O/ D& \) w) W$ e; E/ {) k
pool = Pool(25) # 开25个进程
# |1 n; J* K. y- }: I
pool.map(downloadloop, args) # downloadloop是下载函数，args是其参数
( k( }0 a, t: V

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

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，
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。
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。

4 U. ]2 M7 f# x6 S) h7 F3 l3 W
def fetch_a_word(part, word, url, data): # 下载一个单词
. K8 o1 B+ h% ~: @ r' O
word_define, failed = get_a_word_from_website(word, url)2 k. ?& d/ N1 y. Z
if failed:
1 c' c. W S, B/ q* h
dump_failed_word(part) # 输出下载失败的单词及网址
W- a) p2 d" d8 [8 A. A
return False
" F. v5 D. b0 X6 f% w3 I
else:
, P X" l4 D* D% M5 g# p, @# {8 {
data.append(word_define) # 保存下载成功的单词数据
/ J& r5 A4 t+ S6 D2 G
return True
/ W# Z, {! F, P% m7 }# C; k
2 z& H, b a% s
def download(part): # 下载一个区块
- L: K, `4 m. j
words = getwordlist(part) # 读取单词总表
9 _& Q) a* R- P6 C3 S u
if hasfailed(part):& g& B/ _" e% g1 o5 X8 p$ C/ V
word, url = read_failed_word(part) # 读取前次下载失败的单词及网址! S: R: `2 y- |5 M2 s3 g) f2 i! L0 _$ L
else:/ V" `$ N/ G ]% x
word, url = words[0] # 首次从头下载
3 q! b+ K7 x: P; R
data = [] # 用来存放单词定义
; f5 y1 Q$ A+ `5 V/ Q
while not_end(words): # 循环下载
8 @4 @) `/ T" _* g
if not fetch_a_word(part, word, url, data):
% m; A) E+ c& x5 E* P) |% [
failed = True
`3 F2 T5 G& q$ s, c: r
break! X) \4 h# B* \2 p2 ^2 R+ [
else:, ^% @# c) D" n9 y! \5 g6 f
word, url = get_next_word(words) # 准备下一个单词及其网址. M5 R0 e# C9 `3 y4 ^1 R- f
if failed:
7 `, N+ {1 L4 w- ^
suffix = '.part'
+ V4 \9 `3 \8 i2 F0 Y
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'
. R9 P: ?; u3 \; J( ^
7 t- [5 D2 f8 S7 W7 j) K
def isfinished(part) : # 判断某区块是否下载完成
. K' q. M0 s( M6 f5 k T' c* \4 _
if is_data_file_exists(''.join([path, part])): # 通过检查数据文件有没有生成来判断, p0 o* J7 d6 G6 o. p# t0 p
return True
& Y, G4 O9 Z& c# Y
else:3 t. E' `$ t5 F+ P8 X
return False
) y! v4 |$ U) O& h& n
2 f6 [5 H1 T6 O
def downloadloop(): # 循环检测未下完的区块
8 B) i! e0 u( ^0 y5 {/ S- W
finished = 06 j. n& ~1 C" L% E3 E( y' c
while not finished:
/ ?$ J/ P7 O$ z; ?9 ~' X
nf = [] # 没下完的区块5 L) t) n+ `# E6 Y. k* {) ^; y
for part in parts:
; c/ h$ S7 {$ j# c. G: B
if not isfinished(part):
: k! Z, }8 H- ^9 V* E- ~, Z! k
nf.append(part)9 g; f* g+ N N# t7 B9 R
finished = not nf
4 h B8 h6 f, @2 ^7 u% `2 _5 f
for part in nf:5 i% [1 {1 [+ U' o7 i0 G
download(part)
3 Z" g; v/ E* [- o) ?2 w3 A

复制代码

III. 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）
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，
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。
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/
http://docs.python-requests.org/en/latest/：

) O) A: I' J: f- o4 ]* ?; e6 {# M
#urllib2
% V2 \" B) o; d m) j- H8 }7 V
import urllib2
9 b, G$ v! C% ]2 j2 g B5 `
def getpage(url):
7 ]* ?: ^. }6 i* ^
req = urllib2.Request(url)
3 f! K6 a9 U G0 Z# b' |
response = urllib2.urlopen(req)
1 Y# K9 |' M/ C& X/ H* |. S( M
page = response.read()
6 ?" s# }; J& v% u( i
; }8 g. o3 ?9 b1 w5 l. d( R& n
#urllib3
- [. y- a7 @0 T+ i& L3 g$ p: k
from urllib3 import PoolManager
+ p2 y6 `$ N$ R1 U/ S
http = PoolManager()& M; p8 _+ T- D1 X$ v
def getpage(http, url):8 s) ^" u$ W9 k! E2 F Q2 g
r = http.request('GET', url)
6 C: c b3 C7 S7 ^
if r.status == 200:
$ r$ l2 k( \( d% I4 D4 M
return r.data; Y- Z8 g% B0 ]6 A8 a) f/ i0 e5 l
else:' z) l% Z- V5 O* i. W) y C4 \
return None
# f! o. Q* y) }/ `7 c- N
u% Z A# e7 o5 N. l# I* Z3 y2 [
#requests
% v9 B) }) U/ U s7 P0 ~
import requests
$ L( u4 b% H. M6 o* K
session = requests.Session()
; z' Z2 f, N0 \# Q$ d" c
def getpage(session, url):
: q2 u8 t1 Q( N- x5 [) {0 _
r = session.get(url, timeout=10)
: l# o4 i" L/ ?9 y. S
if r.status == 200:
2 B! v/ c5 x ~# D
return r.content L. Q" j( h. ^! W
else:: I O! U" M- P: U. e" [
return None/ ^1 p$ p! |0 ?5 G

复制代码

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
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。
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
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。

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。

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。
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，
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

========
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
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，
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
。。。
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。
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 · 发表于 2014-10-25 21:01:02

Oeasy 发表于 2014-10-24 18:41( k( x3 F1 r; u v4 M3 Q
感谢楼主分享知识和经验。) B! s( m/ t& t, s- Y* }" X- o2 g4 F
& ~1 X9 N. W! A
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。

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。
LDOCE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；
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。

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。

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 · 发表于 2015-7-2 11:33:21

针对

IV. 片断索引型网站

说一下。
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

PS：最近才发现这里，发现资料很多啊。

bt4baidu · 发表于 2015-9-12 12:17:54

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。。。
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

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

收工

Oeasy · 发表于 2014-10-24 18:41:00

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。

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。

bt4baidu · 发表于 2015-9-20 10:40:37

Windows下制作词典必备的文本处理软件：

EmEditor
Beyond compare
/ s+ a1 `: F) O4 A

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 · 发表于 2016-6-8 07:41:03

bt4baidu 发表于 2014-10-25 21:017 U, d7 r4 ~8 d
现有的mdx词典，其实足够绝大多数人用一辈子的了- A- u0 N/ T! P

' u9 v* E: \* W" 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 · 发表于 2015-11-3 22:35:33

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）
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 · 发表于 2022-2-26 17:50:52

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 · 发表于 2021-7-6 11:06:02

bt4baidu 发表于 2014-10-22 20:21
1 N% n/ `1 g8 F: K2 U- `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
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 · 发表于 2020-11-25 07:27:28

谢谢分享，很不错

kevinmzm · 发表于 2014-10-19 16:03:34

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

louislaolu · 发表于 2014-10-19 16:12:07

本帖最后由 louislaolu 于 2014-10-19 16:13 编辑

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 · 发表于 2014-10-19 16:21:01

這個要推~ 謝謝百度哥

houbible · 发表于 2014-10-19 16:27:51

强大的教程，谢谢分享经验！谢谢bt4baidu！

chigre3 · 发表于 2014-10-19 17:28:11

受教了, ~\(≧▽≦)/~一个!

belleyeah · 发表于 2014-10-19 17:31:18

先收藏了。慢慢看。

cenfit · 发表于 2014-10-19 20:08:45

已经收藏，谢谢！

wenlishahsa · 发表于 2014-10-19 21:25:27

辛苦了，谢谢！！

Hugh · 发表于 2014-10-20 01:10:40

学习！

bt4baidu · 发表于 2014-10-20 20:22:48

本帖最后由 bt4baidu 于 2014-10-20 20:25 编辑

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：
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。

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。
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。

meigen · 发表于 2014-10-21 00:07:23

本帖最后由 meigen 于 2014-10-21 00:41 编辑

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 · 发表于 2014-10-21 00:35:28

不赞成多线程抓网站，但是好贴子要支持！

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 · 发表于 2014-10-21 11:28:36

meigen 发表于 2014-10-21 00:07
' c: Q# y* p5 u6 g算了，道不同不相为交流+ K* F. |/ I8 t2 u4 b8 @$ n/ K
想起某个梗( x) g0 N6 |2 L4 r- W K
程序员眼中的编程语言

不同的语言适用于不同的人群：
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。
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。

编程语言的口水仗永远也打不完，不争了

bt4baidu · 发表于 2014-10-21 11:29:53

大熊部落发表于 2014-10-21 00:35+ R7 `8 S/ R1 X& D+ h% l# e: b; t
不赞成多线程抓网站，但是好贴子要支持！
" I0 \" R7 [+ c/ ]
; j5 {9 }# W; P自以为是“文科生”的朋友们就别学Python了，因为这个世界上还 ...

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；
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。
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。
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，
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 · 发表于 2014-10-21 11:41:35

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。
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 · 发表于 2014-10-21 16:18:27

bt4baidu 发表于 2014-10-21 11:29, G8 g/ v" h+ F! |% W" o: V
下载软件？推荐一款？+ E& J) G. X4 \2 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；
6 V. i; ?9 r' w2 f% m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。

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 · 发表于 2014-10-21 20:06:14

此类科普文, 多多益善, 学习之!

bt4baidu · 发表于 2014-10-22 20:09:54

大熊部落发表于 2014-10-21 16:18
% `/ b& b9 D/ p3 B7 ~2 U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。

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 · 发表于 2014-10-22 20:21:14

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。

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；
程序是调试出来的，不是写出来的

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 · 发表于 2014-10-22 21:25:59

bt4baidu 发表于 2014-10-22 20:21
+ O5 J9 H2 ^, ]: E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。

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 · 发表于 2014-10-23 09:53:00

就需要这样的教程！学习了~

mitkyg · 发表于 2014-10-24 11:00:51

学习

		自动登录	找回密码
密码			免费注册

[教程] 【史上最全】在线词典抓取、制作技术汇总

评分

本帖被以下淘专辑推荐:

点评