设为首页收藏本站
切换到窄版

掌上百科 - PDAWIKI

 找回密码
 免费注册

QQ登录

只需一步，快速开始

掌上百科 - PDAWIKI»首页 › 交流专区 - Discussion › 词库制作交流区 - Dictionary-Making › 论如何爬取杨百翰大学iweb corpus语料库
返回列表 发新帖
查看: 4387|回复: 26

[讨论] 论如何爬取杨百翰大学iweb corpus语料库

[复制链接]
abnerzzz
  • TA的每日心情
    衰
    7 小时前

    • 签到天数: 911 天

    [LV.10]以坛为家III
    发表于 2019-9-3 21:04:23 | 显示全部楼层 |阅读模式
    最近花费不少心思，基于COCA20000，做了份Excel词汇表。
    7 s  E- q* ]( t7 C, z2 q0 N对比各类词典软件，据说有道做得最用心，中文释义全部取自有道，序号分割不同词性。' J, j* T4 g% f

    9 ]) x+ F7 ~9 r) m      {5 R1 Y. N8 U/ g9 j# x* W: {

    7 k5 u3 J$ |2 _' p
    # ^4 E- f! Z$ Y1 [* T0 x正准备打印出来，逛论坛看到两个贴子，发现iweb语料库更全更新。
    4 x. j: B1 R% a3 T- D4 z) t4 P: D, ^8 I# r. W1 G4 p  S
    1. https://www.pdawiki.com/forum/forum.php?mod=viewthread&tid=33399&highlight=iweb
      3 R; z, E8 x" {! l& B% ?

    2. 8 k( ]) R% _# Z
    3. https://www.pdawiki.com/forum/forum.php?mod=viewthread&tid=33281&highlight=iweb
    复制代码
    " H, f# I+ v0 P/ G

    * Q# t3 i, {4 @; D- Z8 d0 U  r% i0 b
    本想偷个懒，找 @要份csv排序版的，无奈联系不上。尝试自己爬取iweb语料库，奈何官网反爬虫做得贼好，有点棘手。3 p$ ?$ j) ?7 {* g& R( c
    9 K- `' i! h- R. A( v7 R. }
    + N- q$ k' m: u. Z' X
    初步计划，爬前60000单词，匹配有道词典翻译，先弄份中文版出来。
    $ w# V8 _7 y- V# v+ S- l4 x1 a1 f然后爬每个词汇具体页面，再制作词汇搭配版本。搞定后分享给大家。
    7 A7 i$ L# [7 k* G- l8 ~2 x  {4 [2 U1 b8 i' b& P6 u& s) g" i" Y
    大家有什么想法，可以提提啊。
    7 k" V5 f1 Y8 q# D, {% |' l懒癌犯了，希望@现身，直接做个成品出来，就不用我这小菜鸟折腾了。iweb语料库的确很棒，可惜全网找不到资源。: [. T/ F7 X+ M6 \0 d9 r3 U
    2 |9 x# s* T+ X  k+ F( j0 j

    0 n# I) u; |/ C! v. ^: `% {3 {- v1 [) n, e3 X1 I" P1 r

    本帖子中包含更多资源

    您需要 登录 才可以下载或查看，没有账号？免费注册

    x
    回复

    举报

    eplono
  • TA的每日心情
    慵懒
    2021-9-30 10:09

    • 签到天数: 321 天

    [LV.8]以坛为家I
    发表于 2019-9-26 17:59:52 | 显示全部楼层
    本帖最后由 eplono 于 2019-9-30 07:44 编辑
      A3 X# o' |/ a* N7 }$ M% ]4 J1 q4 S. S" V0 \% i9 p
    Hi 楼主能不能做一个词组（or搭配）的词频？就是这COCA里提出来的词组或搭配按照频率越高排名越前的这样。: L2 u0 x* a0 c4 @
    ( W: q. D) [) p
    我相信这样一份词频，至少对很多人来说吧，远远比仅仅单词的词频有用得多(单词的词频已经有GaryPang大的iWeb词频了[搜索帖子关键词“iWeb”]），
    ! Q" V+ A5 U) X! g功德无量哦+ M) m3 B3 j7 Z

    # B9 g9 _( c/ t# o5 a; j9 t我今年年初的时候BT（magnet:?xt=urn:btih:EEBAC1F45D81FC3EEA92A7C6CC7179C863E290B9&tr=http%3A%2F%2Fbt4.t-ru.org%2Fann%3Fmagnet）( @& a  n9 b8 y6 M' R
    下载了一份COCA 2012年的原始数据，7 \8 B6 f  x  k. X0 z6 B* D  o/ u

    6 K6 n$ V' l8 y4 M: y! m( f4 v有一份Collocation20000的PDF(https://pan.baidu.com/s/1AOgIWHF1rZzlRsYy_JnLPQ[提取码：tetg])，（PDF转换成mdx已经有人做了，见https://www.pdawiki.com/forum/forum.php?mod=viewthread&tid=33105）4 P: D  _! U5 H* _
    ! |/ n; n3 F3 H: V
    无奈自己非IT相关专业、只会一点点Python，不会整理成搭配的词频，就把原始数据（印象中是都小说、杂志等等的原文）都删了，现在重新挂娘盘，离线几天了停在65.46%进度。
    ( G$ P7 W  P8 M+ _! L8 ^, N( V
    6 R) N# f9 v2 J( M  Z+ H0 S等下完了就放出来希望有人做个词组（or搭配）的词频...
    ( h: v$ R' H% c6 t& P6 z# [
    % C& c% M. c5 z% E咋刚才看到楼主回复进度的帖子回头看又不见了？我幻觉了？？？
    " n1 n+ L; M& S- U; d
    回复 支持 2 反对 1

    举报

    abnerzzz
  • TA的每日心情
    衰
    7 小时前

    • 签到天数: 911 天

    [LV.10]以坛为家III
     楼主| 发表于 2019-9-25 19:30:52 | 显示全部楼层
    反馈一下进度，上周就已经差不多爬完了。接下来需要将HTML转成文本，不过最近有点忙，看心情再转下格式。
    回复 支持 2 反对 0

    举报

    abnerzzz
  • TA的每日心情
    衰
    7 小时前

    • 签到天数: 911 天

    [LV.10]以坛为家III
     楼主| 发表于 2019-9-5 21:24:19 | 显示全部楼层
    你去哪里 发表于 2019-9-3 21:41( c8 G$ P2 ]5 U' B3 [
    中文释义还是用权威词典的释义，比如说牛津或者朗文的比较好吧。
    + [, g# o9 Q8 q7 }$ H9 Z
    补图。。。。

    本帖子中包含更多资源

    您需要 登录 才可以下载或查看，没有账号？免费注册

    x
    回复 支持 2 反对 0

    举报

    你去哪里
  • TA的每日心情
    开心
    2023-2-17 08:38

    • 签到天数: 321 天

    [LV.8]以坛为家I
    发表于 2019-9-3 21:41:52 | 显示全部楼层
    中文释义还是用权威词典的释义，比如说牛津或者朗文的比较好吧。
    回复 支持 1 反对 1

    举报

    snwbpn
  • TA的每日心情
    开心
    2024-3-30 21:57

    • 签到天数: 46 天

    [LV.5]常住居民I
    发表于 2022-11-25 17:50:01 | 显示全部楼层
    非常感谢，请问原始爬出来的网页文件方便分享吗？谢谢????????
    回复 支持 1 反对 0

    举报

    snwbpn
  • TA的每日心情
    开心
    2024-3-30 21:57

    • 签到天数: 46 天

    [LV.5]常住居民I
    发表于 2020-1-25 21:05:27 | 显示全部楼层
    楼主做的怎么样了呢？期待你的大作！
    回复 支持 1 反对 0

    举报

    ericqjy
  • TA的每日心情
    擦汗
    2022-10-5 15:24

    • 签到天数: 614 天

    [LV.9]以坛为家II
    发表于 2019-11-18 15:33:50 | 显示全部楼层
    这个没下文了？期待楼主更新。
    回复 支持 1 反对 0

    举报

    lgmcw
  • TA的每日心情
    奋斗
    2020-11-15 11:37

    • 签到天数: 249 天

    [LV.8]以坛为家I
    发表于 2019-11-9 03:35:21 | 显示全部楼层
    ubersoft 发表于 2019-9-8 23:56
    " u% z$ j: y9 l. A有偿整合数据、排版美化和制作mdx，可否？可以合并其他词典的数据，需要爬取别的数据也可以提供。如果需 ...

    # S6 ?$ C2 F, |我觉得最有用的是那个collocation和cluster
    回复 支持 1 反对 0

    举报

    快乐巡洋舰
  • TA的每日心情
    奋斗
    2022-7-18 17:14

    • 签到天数: 413 天

    [LV.9]以坛为家II
    发表于 2019-11-6 11:34:39 | 显示全部楼层
    能做出排序，已经非常好了。祝楼主早日功成！
    回复 支持 1 反对 0

    举报

    ericqjy
  • TA的每日心情
    擦汗
    2022-10-5 15:24

    • 签到天数: 614 天

    [LV.9]以坛为家II
    发表于 2019-9-25 20:11:08 | 显示全部楼层
    楼主加油↖(^ω^)↗
    回复 支持 1 反对 0

    举报

    ericqjy
  • TA的每日心情
    擦汗
    2022-10-5 15:24

    • 签到天数: 614 天

    [LV.9]以坛为家II
    发表于 2019-9-3 23:08:43 | 显示全部楼层
    最好有英文释义，推荐简明牛津或新牛津或美国传统词典的英语释义。
    回复 支持 1 反对 0

    举报

    ericqjy
  • TA的每日心情
    擦汗
    2022-10-5 15:24

    • 签到天数: 614 天

    [LV.9]以坛为家II
    发表于 2019-9-3 23:09:54 | 显示全部楼层
    非常期待您的成品！
    回复 支持 1 反对 0

    举报

    freemanlea
  • TA的每日心情
    慵懒
    2023-5-28 06:06

    • 签到天数: 1190 天

    [LV.10]以坛为家III
    发表于 2019-9-4 09:02:43 | 显示全部楼层
    提示: 该帖被管理员或版主屏蔽
    回复 支持 1 反对 0

    举报

    ChaunceyWei
  • TA的每日心情
    奋斗
    2022-4-15 15:41

    • 签到天数: 404 天

    [LV.9]以坛为家II
    发表于 2019-9-4 13:25:25 | 显示全部楼层
    期待iweb的排序版啊，这个语料库收词量比COCA大了很多
    回复 支持 1 反对 0

    举报

    abnerzzz
  • TA的每日心情
    衰
    7 小时前

    • 签到天数: 911 天

    [LV.10]以坛为家III
     楼主| 发表于 2019-9-5 14:09:09 | 显示全部楼层
    ChaunceyWei 发表于 2019-9-4 13:25
    $ y6 E! M6 X, y: U5 ]0 ^期待iweb的排序版啊，这个语料库收词量比COCA大了很多

    * I* u) r# X' S4 X# g. \iweb语料库top6000排序版已经有了，但拿到相应的词汇搭配难度较大。
    回复 支持 1 反对 0

    举报

    abnerzzz
  • TA的每日心情
    衰
    7 小时前

    • 签到天数: 911 天

    [LV.10]以坛为家III
     楼主| 发表于 2019-9-5 21:09:57 | 显示全部楼层
    iweb语料库前60000个词频排序版已搞定
    * `) `# `' l* O' `$ L: l$ G

    本帖子中包含更多资源

    您需要 登录 才可以下载或查看，没有账号？免费注册

    x
    回复 支持 1 反对 0

    举报

    abnerzzz
  • TA的每日心情
    衰
    7 小时前

    • 签到天数: 911 天

    [LV.10]以坛为家III
     楼主| 发表于 2019-9-5 21:22:52 | 显示全部楼层
    ericqjy 发表于 2019-9-3 23:08
    : r3 ~0 u# a  i" E6 ^" h$ M/ _最好有英文释义，推荐简明牛津或新牛津或美国传统词典的英语释义。
    $ {" y) o. ^9 p! f+ p% T9 S7 l
    iweb语料库每个单词明细界面，有同义词、话题、搭配、词簇等，同时还能链接到其它在线词典网站（图中标注12345能跳转到剑桥、韦氏）。
    + p  c. {) z& t7 y/ G  K* B/ n正在想办法把这些明细数据爬下来，然而技术太菜
    # Y' w9 r$ V/ c" C4 S' A
    回复 支持 1 反对 0

    举报

    alanpoon

    该用户从未签到
    发表于 2019-9-5 22:07:55 | 显示全部楼层
    正想找高频表导入欧路背单词，楼主可否分享词频表？
    回复 支持 1 反对 0

    举报

    cwx
  • TA的每日心情
    无聊
    2019-9-7 16:11

    • 签到天数: 13 天

    [LV.3]偶尔看看II
    发表于 2019-9-6 19:05:02 | 显示全部楼层
    求分享csv格式单词表
    回复 支持 1 反对 0

    举报

    abnerzzz
  • TA的每日心情
    衰
    7 小时前

    • 签到天数: 911 天

    [LV.10]以坛为家III
     楼主| 发表于 2019-9-7 10:36:30 | 显示全部楼层
    反馈一下iweb语料库爬取进度，暂时保存的都是html格式
    " k  W; _* O# c- G9 A+ c/ d6 r! F& A+ u
    有没有大佬原因做成mdx
    * A3 i' R, Q+ h5 \

    本帖子中包含更多资源

    您需要 登录 才可以下载或查看，没有账号？免费注册

    x
    回复 支持 1 反对 0

    举报

    yaknow
  • TA的每日心情
    奋斗
    2020-7-12 05:59

    • 签到天数: 97 天

    [LV.6]常住居民II
    发表于 2019-9-10 17:08:07 | 显示全部楼层
    可以的,个人赞成有偿服务!
    回复 支持 1 反对 0

    举报

    返回列表 发新帖
    高级模式
    B Color Image Link Quote Code Smilies
    您需要登录后才可以回帖 登录 | 免费注册

    本版积分规则

    小黑屋|手机版|Archiver|PDAWIKI |网站地图

    GMT+8, 2024-5-5 13:40 , Processed in 0.068402 second(s), 11 queries , MemCache On.

    Powered by Discuz! X3.4

    Copyright © 2001-2023, Tencent Cloud.

    快速回复 返回顶部 返回列表