【史上最全】在线词典抓取、制作技术汇总

bt4baidu

2 r$ ?; f! I* K: j0 f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。
1 T% {) ?- s" k$ [, z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：
7 j  j* }$ n3 Y, W( S! y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；
, |2 I. |- E( O4 |+ }" ~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。
+ _$ P* p+ w( D! T; A6 b9 S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。

9 O4 r6 F; L, R# N那么要写出程序，立即就会发现不得不解决两个问题：
7 z8 B) ?$ Q3 }" |9 x" C) t1、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。
. \  f, {' m/ |. x) Q4 s0 Q下面的讲解也会以这两个问题为核心展开。
, v7 z& g; {5 l$ u, Y2 o
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，
. d2 W4 R  S8 }% L2 h5 f7 ]6 d——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，
6 y0 [6 r" X: K! [3 h7 {4 u. f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。
/ a* j! z# `0 ^, [. u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？

- U% F3 I: w+ k6 ]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。
2 X$ a% p3 E* X* T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。
+ @9 q+ c& [+ p& ?" R$ y抓网站，恐怕没有哪种语言比Python更方便。
* F+ y7 e; P1 D$ J3 W. \: 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，
7 w9 n$ Z! T7 G) j3 z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，
# u& E! M- m1 Z8 A' F$ X5 \" l9 g! m没有慧根就别吃这碗饭。
4 X6 k& B: w: ]* c0 b! `
三、网站抓取技术
" C9 z& T: m% @1 s$ y1、下载某一个网页，提取其内容
, K$ `) l: i8 d8 E- c& X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
4 j* S( u5 ]2 {) u* Z
  E) |; T8 V  z! O* Z  R7 k8 X$ @! M: o% k2、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：
9 n6 L9 _: P0 @2 r: d% aI. 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：
7 m6 M8 J3 b% `( mOALD（http://www.oxfordlearnersdictionaries.com/）
它的索引页在 http://www.oxfordlearnersdictionaries.com/browse/english/
8 V5 E* s; T. B. m& }, V3 ^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/
2 n% F2 l5 b+ ~5 ~& E4 r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。

1. 
   + X* A! ^6 [, `9 ^5 u# A
2. urls = []
   
3. for someindex in indexs: # 循环所有索引页
   + r' K5 H. R  R3 p+ `8 r
4.     browseurl = ''.join(['http://somewebsite.com/', someindex])
   
5.     browsepage = getpage(browseurl) # 下载索引页面
   4 p+ v: d4 u' J  j& r! e
6.     target = SoupStrainer('sometag', class_='target') # 抠出放单词链接的区域
   + e( T2 G, g. z7 f1 H; ~# U
7.     bs = BeautifulSoup(browsepage, parse_only=target)
   
8.     if bs:
   7 \  h* [! {  \. W& o
9.         for a in bs.find_all('a'):
   
10.             urls.append((a.string, a['href'])) # 取得该索引页上全部单词及链接
    
11. 然后：
    % {  n, K( x% v
12. for url in urls: # 循环所有单词
    
13.     wordpage = getpage(url) # 下载单词页面
    

复制代码

III. 索引页和单词释义一体型网站
/ S1 F# _: x/ n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. 
   * ?8 L! k7 P! p& S
2. for someindex in indexs: # 循环所有索引页
   0 X3 g( w+ L+ ?, |1 g3 n
3.     browseurl = ''.join(['http://somewebsite.com/', someindex])
   6 Z9 [& A7 C3 b5 F7 g' _8 R
4.     page = getpage(browseurl) # 下载页面
   , b* m, B6 ~# \' [! G6 g  o
5.     target = SoupStrainer('sometag', class_='target') # 抠出放单词的区域
   
6.     bs = BeautifulSoup(page, parse_only=target)
   
7.     for tag in bs.find_all(target): # 循环抠出单词
   ; d  w, r7 B. O3 _9 x
8.         worddefine = getworddefine(tag)
   3 j- `" U$ X" d: w0 u6 z+ [

复制代码

IV. 片断索引型网站
如：
3 y- O* E8 E8 P  p7 t4 NODE（http://www.oxforddictionaries.com/）
每查一个单词，右侧边栏有个Nearby words
RHD（http://dictionary.reference.com/）
% F, s8 o. ~7 Z) h* i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
) B9 O1 {# h; V$ e' B! a- _7 M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，
' z. \. o  y6 K- d( N7 E' h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）

1. 
   . b3 V! d/ D; `: N% V
2. cur = 'a'
   $ d0 z  h  k* F) I
3. end = 'z'
   $ h3 v8 d- Y# @% P" E; M
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

; D7 H! U, }. ?4 V
. ^6 B) j" M2 B0 a5 Y& [V. 完全没有任何索引，那就没法子了
: J3 T* t* y+ V9 G1 n9 a  I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；
- O/ a, `5 Q0 B( h# [$ n, g: o9 r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。
( f/ }  v4 `$ \+ z/ F
9 }& V4 F; l& ^! 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。
7 ?# Y* _, g; ^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，
- R! u. L4 a' _$ v' ^有些网站还经常抽风，半分钟下载不了一个单词，那就更慢。
- F  \4 A: J# ]  q; T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。
" C2 n/ d- J% Q3 B+ L8 V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，

1. 
   ) ^: |7 }. F- o* E/ x5 d" @7 x
2. from multiprocessing import Pool
   . ^. f- w, S" Z# w
3. pool = Pool(25) # 开25个进程
   " A# z# a* J2 s9 \  P/ M2 R; U  D' T
4. pool.map(downloadloop, args) # downloadloop是下载函数，args是其参数
   

复制代码

3 \! U+ p& c. t8 }) P6 _这就搞定了。
& X' ^9 f1 z3 T3 P  [5 p
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，
5 r( f" p% S9 i& j* t2 f6 O关于IV.，事先没有单词总表，就只好采用区间的概念，
! O+ i5 l' y: x3 ^! {比如('a', 'b'), ('b', 'c')。。。这样划分若干个区间下载
: J' y( X6 C" [; Y
: ~% c* U. z* I; }) C  T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
- f! A9 {7 `& s& K/ }# q! Q* F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；
+ i- n/ v% _; i5 B2 P& X即便无法自行恢复，也得容易手工处理，不然可有的烦了。
* e( h$ E, \4 f3 B! f( d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. 
   ) J* X5 Q/ N/ E, i( l$ C# b
2. def fetch_a_word(part, word, url, data): # 下载一个单词
   0 P0 |0 [5 e% s$ x8 }
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
   2 [' p  b0 s1 j1 f, l  F
6.         return False
   
7.     else:
   
8.         data.append(word_define) # 保存下载成功的单词数据
     P5 W! b. p( k' m
9.         return True
   
10. 
    
11. def download(part): # 下载一个区块
    
12.     words = getwordlist(part) # 读取单词总表
    
13.     if hasfailed(part):
    " d1 z) g5 [  A" }2 `
14.         word, url = read_failed_word(part) # 读取前次下载失败的单词及网址
    ( a3 `# R( f1 L2 i. m2 H0 ~6 x
15.     else:
    
16.         word, url = words[0] # 首次从头下载
    % g: Q2 l. x+ g6 @4 V) I  `
17.     data = [] # 用来存放单词定义
      `3 S2 @) l+ b$ X  b! ?3 w
18.     while not_end(words): # 循环下载
    ) B7 |  O7 E, c
19.         if not fetch_a_word(part, word, url, data):
    
20.             failed = True
    1 S8 h  h; d5 C/ `9 X
21.             break
    
22.         else:
    / `5 x0 m3 x- }: ^2 Z8 k
23.             word, url = get_next_word(words) # 准备下一个单词及其网址
    
24.     if failed:
    ! Y9 M4 k5 ^& d. x# o0 {8 G9 M
25.         suffix = '.part'
    % n4 u4 y/ g% O' ]0 ]
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'
    1 {$ h3 z( X4 q5 R7 @' c, @- `
27. 
    2 ]2 L; G$ e) o6 F, K; N' N8 J
28. def isfinished(part) : # 判断某区块是否下载完成
    
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
    
30.         return True
    8 y3 j3 ~, K% s5 q" X" {
31.     else:
    $ H3 J( ?0 G2 O. X0 m, @( V* f
32.         return False
    1 A$ v: H7 w: q' e" ^  l
33. 
    " b% e( e4 z2 K, p7 y; h
34. def downloadloop(): # 循环检测未下完的区块
    4 Y. G5 v" y' k+ f# ]- H
35.     finished = 0
    
36.     while not finished:
    6 G5 C$ P3 P1 p& `! r/ A/ G  v
37.         nf = [] # 没下完的区块
    . y/ A9 y, [- u# r* Z
38.         for part in parts:
    - ?) P% a5 g, v5 M8 @+ Q8 U
39.             if not isfinished(part):
    8 U4 F, q7 M; a7 _5 s
40.                 nf.append(part)
    
41.         finished = not nf
    3 a7 g; q3 v$ @6 u  b; P# ^
42.         for part in nf:
    8 q9 S. b1 a7 i: s# A6 I1 q5 \  ]
43.             download(part)
    

复制代码

/ [2 A" M! `3 o% Y4 M( h& y
III. 高速下载网页的小技巧
  |& \3 a9 f3 F$ @" C# [Python里面有三个库都可以用来下载网页：urllib2、urllib3和requests。
: _' S/ Y! b- _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？
+ }+ q2 k2 g: v, F* |& O' f9 O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。
7 W1 C- |: W, z6 F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。
% i" ^4 x$ q( W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。
! K# c, R2 O; _- W  Y1 s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：
) z1 l6 t( ?3 n# Y7 S2 Uhttp://urllib3.readthedocs.org/en/latest/
8 H) h  x# f( c7 U8 H! B3 [http://docs.python-requests.org/en/latest/：
% X; T' Z* V/ c& v: K: [- \

1. 
   1 ]: v$ W- H4 @7 k
2. #urllib2
   
3. import urllib2
   
4. def getpage(url):
   
5.     req = urllib2.Request(url)
   / ~1 p; H, Y$ b, |+ }
6.     response = urllib2.urlopen(req)
   
7.     page = response.read()
   7 m8 [1 t/ r% j7 U1 _5 K9 W
8. 
   
9. #urllib3
   
10. from urllib3 import PoolManager
    
11. http = PoolManager()
    ( N& I5 n% J( [$ ]2 j9 y
12. def getpage(http, url):
    1 A4 M, N5 m% }6 `
13.     r = http.request('GET', url)
    2 b# @6 x, {& ?
14.     if r.status == 200:
    
15.         return r.data
    
16.     else:
    , J. i1 j4 p* X( g3 M
17.         return None
    
18. 
    
19. #requests
    , q- V  b9 y1 \! J* F! ?# y* W% y
20. import requests
    
21. session = requests.Session()
    2 B8 @, O9 c. v* M( U7 n
22. def getpage(session, url):
    
23.     r = session.get(url, timeout=10)
    9 r( ~- h* m2 y9 t" q! n
24.     if r.status == 200:
    / Y  S* d3 i3 t% B/ v
25.         return r.content
    
26.     else:
    
27.         return None
    

复制代码

8 W7 n2 F. c8 W+ j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。
4 v; C+ J/ }5 v$ \0 K0 W: S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。
8 y8 Y3 s* C- Q2 l& F相比这些高难度动作，文本处理算是比较简单、基础。
% G1 q/ {+ H, w& |6 o# `  i3 ePython里常用的文本处理技术：正则表达式、BeatifulSoup、lxml
# }5 _- I! _( ?1 O: v! G1 O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。
+ z9 o+ x' F$ I( D: I1 t1 D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。
( M0 G# x9 s5 a" x' d  ^! n+ q
2、排版
HTML、CSS的基础知识：
$ _* \4 c2 t/ z1 ^http://www.w3school.com.cn/html/index.asp
http://www.w3school.com.cn/css/index.asp
http://www.w3school.com.cn/css3/index.asp
; ]7 s1 q6 t; {5 j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。
7 F0 X7 e' p% F5 q: s/ x
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。
5 ~) @  s) x7 p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，
) v! A" R1 M+ z! S& i0 X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
$ X" I" J% p- Z3 ^
6 M+ F% e3 b7 S$ o. u
" V) R' Z" Y6 x2 k; z========
六、拾遗
6 ~. h: R2 z# |# |- O7 ]  t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
) }6 _+ ~4 W! l0 I$ \) ^( @+ E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。
7 a; E& a1 x  v' d) Y. B即，
0 S" ~5 {- ]4 v) G9 X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）
/ G( M: V4 ]  X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）
: p" h6 C1 `; R5 R! h3 J% C2 q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
; j  b" v& ~6 P。。。
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）
8 B7 J( N* ~7 v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。
' n6 N) L5 [5 @. [0 Q

bt4baidu

Oeasy 发表于 2014-10-24 18:41
, O/ n. F9 @- J0 m1 B7 ?感谢楼主分享知识和经验。
; c0 X/ A" m8 ~* d! ^5 d4 ^7 z+ j
  `* |( H; Z/ T1 Y2 C2 F2 {' P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 ...

  _+ Q  _5 M5 l" {" M3 l5 h现有的mdx词典，其实足够绝大多数人用一辈子的了
! w7 p) L- `/ _  K$ {
" [0 I  ]( E, X* z3 A0 n, x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：
& Q! `7 o: \& ~3 ]+ A( B/ X3 n主力阵容：VOC、ODE、WBD。
7 m* @! H% N6 v: l7 P5 P. w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。

( ?- v. K1 e! s; @( y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；
; M. {, n4 l; C/ W! n/ Q  i9 z; L) }词源用来辅助理解、记忆单词；
* k( f9 W2 t* }! Q& X" j1 ?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；
3 b1 b6 m% t. M- c$ z: r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。

! Z. Q# H0 a2 K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。
) y- j$ u! q% F“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。
, V( x* R2 G4 u- N
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。
% y3 l8 `' {% d其实只是你没有发现而已。
/ z/ m1 x& j2 e  K  B. ]) G( Y- v  BODE： http://www.oxforddictionaries.com/browse/english/
5 H2 ~! d$ t! `- i9 ^2 E1 u6 pRHD：http://dictionary.reference.com/list/a/
* K# x1 P7 K3 U* z- d) e( K% }CALD：http://dictionary.cambridge.org/browse/learner-english/
" G: y; F  ~8 B, ]8 j. D
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：
& x# D  ^# G1 Winurl:browse | inurl:list site:dictionary.reference.com

2 q- y6 f; _9 z# @  D. t6 _PS：最近才发现这里，发现资料很多啊。
' F+ s5 x5 p) J8 Q& F7 u

bt4baidu

排版、修改他人制成品小技巧
4 n; @7 n1 o! B6 U2 {
5 T2 a7 F5 ~. |+ @* e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”：

- M1 m3 L- a4 ]$ X  U
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

; n7 u4 Z$ g% M6 k, @" w! M' F
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

, F7 T# R  o2 P' q! F" r  c
0 q! N3 @' {9 C. d2 M+ y& n收工

Oeasy

4 l( [# d1 j; x9 |) c# {


) V  d/ y  P+ H' B( h4 b) F. a感谢楼主分享知识和经验。
3 w% @# s( L6 W  [0 z: i, S
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。
8 u. r1 W; Z' K/ Z  y
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。
4 L0 U6 H# I) t/ X* u
: M& \; R; t$ O7 W' G1 R. R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 ?2 I5 b# J4 t+ T, S& [% `
' |0 C6 m  |2 a* }+ _
3 q6 W; [! L; |3 E% ^% L) U

bt4baidu

Windows下制作词典必备的文本处理软件：
( L' \" t( y$ J" s% o# \

• EmEditor
• Beyond compare
  ( c- _6 d' k$ M% D/ X

) I! Q6 Z1 K! S4 q5 c, |7 P9 j( I
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
" u  M% s, G8 M; ?( ?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 ...

肺腑之言。

bt4baidu

关于字体，请参考

* {5 b' X4 {. S  F. I. B! b7 u( T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

# i# e$ s7 M6 e3 m" b3 B7 s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
  X, x# e# q& A, e) j" D

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
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
% n7 }' \. Z: u+ O: @3 [4 M& J- }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

1 q) v# v0 v  [' Y8 v1 c
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

4 H+ U# \% F4 L- P+ yjava和.net就是个垃圾，我懒得提而已
& V5 ~8 _7 n5 v. {2 P在Linus这样的大神眼里，连C++都是垃圾：
9 h% ~" i1 r6 M) d5 Q- ?% Ghttp://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。
2 i- p9 M# O) x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。
- u/ H: ~" }) {/ F& ^' W' W

5 N; N% t) o  s' x6 c) S$ ]

meigen

. b- h2 T* Q+ r( F$ F9 Q" m0 D
  g  m, I, z4 a% g+ Y* s* [算了，道不同不相为交流
# \9 A4 x. B. K6 b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！
4 t$ G' \9 U; S: M+ J3 [7 D+ L9 l) c8 W
9 P: Q3 J$ n! v( N' S5 J. {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

meigen 发表于 2014-10-21 00:07
1 `. Q6 ?7 s- c算了，道不同不相为交流
& m/ G9 b5 @+ H# C0 a2 p& w9 a0 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：
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。
: k$ u* s# W2 N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。
; L; E/ f7 W! ]" W
编程语言的口水仗永远也打不完，不争了
( ^/ a4 e' B3 ?. f6 ]. T

bt4baidu

大熊部落 发表于 2014-10-21 00:35
不赞成多线程抓网站，但是好贴子要支持！
: N% h& |) y3 C0 N: _' q% H, [4 w
6 x2 `. a7 E' v  A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。
$ u/ q$ p0 y2 I
3 }7 o' Y+ F3 `! i& d3 d. 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。
; J/ M. a  _; 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，
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：
+ H& I% m3 w# B& m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。
+ S( ^) }  L- S  r3 x8 \- H1 F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。
' G; V% U8 e# z6 E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？
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；
2 A& v1 H' p- F3 m6 _! R现在99.999% ...

( R* k4 e; ~+ Z- e! C% c  }$ {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。

1 F$ z$ l3 }4 v, F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。
2 O! Q$ v* G$ |! U9 q' _; b3 h
1 K9 |6 j) v3 p* F' \, H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。
# W5 \" D. G. w4 @
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 ...

4 D, k7 s! r* H! }3 u: X* h) \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

1 O# ]" _) E9 m3 n( Z# @+ X# C

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。

0 D6 A5 z" |* G0 S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
8 F# c/ z1 s, h4 u8 i' k/ k计算机是用会的，不是学会的；
  I8 p6 S. V3 `' @+ s$ T. `程序是调试出来的，不是写出来的

; L, _* q: O) Y( l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
" g$ o; _5 k5 C# i! d' p- q% P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。
6 z& A& r+ k$ R2 B8 J6 z
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