【史上最全】在线词典抓取、制作技术汇总

bt4baidu

+ ?8 I0 U9 J8 H$ c$ ?6 b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。
' t$ t( I* I1 R& e# F
一、计算机的两个终极哲学问题
. ^, `% S$ p7 T. R9 [: g) a1 [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：
3 Q6 H/ s/ o3 {' E3 ]+ ?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。
# F/ r$ _! A: M9 I; k, r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。
# ]$ F" O; W7 Z% S“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：
' @* q$ ~& c) K6 }6 r1、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。
, W  w2 A6 ^! p2、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。
8 R2 \4 A% T/ ?" X; z2 ^
4 |: v1 \: ^1 z* U8 sBTW, 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。
  \$ L$ f$ f( o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。
* l* k5 c  @" ^$ }6 {( J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。

/ m2 T: ~$ J6 N: M, `$ i5 i/ I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。
$ @- b- P8 D4 q4 ]  x: I2 H咱不奢望成为专家，写写程序总还是可以的吧？

" Z$ ~) p- ]: }+ B5 \二、采用何种编程语言
7 @7 e3 l' V# g+ C* [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，
. P) I0 m1 U3 B$ }* O  |没有慧根就别吃这碗饭。

三、网站抓取技术
/ F" M' s* Y: H$ g$ w: z1、下载某一个网页，提取其内容
  c' u. l# u  I) c以前写过一篇，就不重复了。参考：
, {' R7 K3 d( ~" o' z用一个简单的例子讲讲怎样从网站上扒数据
, g, O! S) [" U1 W/ e. O6 G
1 r$ ]; b: n- {1 s2、寻址问题
) f6 |3 ?# j- {* I+ @! J, }3 q下载网页，自然首先要知道网址，也就是东西放在哪儿。
5 `3 y4 D8 {2 f; _5 m6 }' g6 F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。
+ M$ G0 k' ^+ l6 I& s- Q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。
; m/ K& ?3 x4 t6 |8 N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。
: g+ L  X/ R* c: O. T$ a! |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。
4 ]% ^$ C9 @1 u5 J! ?
: J+ u& Q- ]- e# r- m+ KII. 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/
4 O- g& l4 ]: c7 XLDOCE（http://global.longmandictionaries.com/）
5 _% Q5 b: P& s: u& \' j1 v采用框架结构，左侧边栏就是索引页
, v9 e) c9 ~. b- m( T) JMWC（http://www.merriam-webster.com）
索引页在 http://www.merriam-webster.com/browse/dictionary/
4 p( O' p$ i2 {: S& R7 s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. 
   
2. urls = []
   : d* H! s4 d7 T. q7 x) c
3. for someindex in indexs: # 循环所有索引页
   3 I+ v1 |' g( |% B/ M% D
4.     browseurl = ''.join(['http://somewebsite.com/', someindex])
   
5.     browsepage = getpage(browseurl) # 下载索引页面
   * \5 v$ s0 f4 d5 g
6.     target = SoupStrainer('sometag', class_='target') # 抠出放单词链接的区域
   8 T. p8 b8 u$ o% ~' f
7.     bs = BeautifulSoup(browsepage, parse_only=target)
   
8.     if bs:
   
9.         for a in bs.find_all('a'):
     F- u" N/ z+ {0 I
10.             urls.append((a.string, a['href'])) # 取得该索引页上全部单词及链接
    0 |8 Q2 c3 W. J. K, ~8 i- {& ^0 F
11. 然后：
    
12. for url in urls: # 循环所有单词
    
13.     wordpage = getpage(url) # 下载单词页面
    . f7 V2 L" L; l, O

复制代码

( j9 Y+ F+ Z6 z8 s* U& z
* ?2 M! a8 N$ h* s5 s; EIII. 索引页和单词释义一体型网站
- w1 y  z8 P6 E1 T% n如：Online Etymology（http://www.etymonline.com/）
- A$ \1 E, x3 f: _1 O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
# o8 ~7 }! p* e) s. {0 q  w

1. 
   
2. for someindex in indexs: # 循环所有索引页
   
3.     browseurl = ''.join(['http://somewebsite.com/', someindex])
   
4.     page = getpage(browseurl) # 下载页面
   9 C3 S: h* u& Y: ^/ D# }, l
5.     target = SoupStrainer('sometag', class_='target') # 抠出放单词的区域
   2 U' W+ p8 h; V: C" K, M
6.     bs = BeautifulSoup(page, parse_only=target)
   1 R) A) G9 L- G$ H4 `, O$ c
7.     for tag in bs.find_all(target): # 循环抠出单词
   # U7 J) i; Y$ T2 l
8.         worddefine = getworddefine(tag)
   

复制代码

; Y1 Y1 J7 x& p1 K' I( AIV. 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
9 J5 @6 E* m* c( g5 Y; wRHD（http://dictionary.reference.com/）
$ N* T# l  ~5 l3 Z+ m右侧边栏有Nearby words
1 w/ S6 e" M! C! n5 L. LCALD（http://dictionary.cambridge.org/）
在页面的最下面有个Browse栏，给出前后相邻的单词
* ?& m, Z6 [, H# G' R1 p这类网站没有总索引，只好利用它的Nearby栏。
" v0 b  C7 U: g# P: R& H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）
% r7 h- C/ ~( i& E) e, B! f; H4 K

1. 
   
2. cur = 'a'
   , W. t( ]7 v0 S! w6 h* C  U
3. end = 'z'
   
4. nexturl = ''.join(['http://somewebsite.com/', cur])
   8 x& Q) i9 T5 u* i
5. while cur!=end and nexturl:
   
6.     page = getpage(nexturl) # 下载单词页面
   6 V( f* \9 p* w  M2 l# Q. |7 N
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

# Q2 m% s7 h$ e3 D; k: J! d
V. 完全没有任何索引，那就没法子了
, B! L* T% o5 b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
  ^$ z1 v% a$ s; X. J8 }  Y/ `' ?理论上也是可以的，就是效率差一点；
9 O7 D9 {) F0 p- m" E  }7 l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。
! X7 r) w) [) \" d
3、提高下载效率
  ~: V9 ?! F* P) ?! vI. 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。
  B' Z; W1 `; `5 K1 m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。
4 G  E8 t' |. S% A! f7 i' g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 a5 p2 Z) r* }  D# Q同样十万个单词，分成25个进程下，也就是28/25=1个多小时。
  h  z1 J$ N, l6 W3 j) ?, ~( s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，
6 r( D1 M0 S5 \

1. 
   
2. from multiprocessing import Pool
   
3. pool = Pool(25) # 开25个进程
   . \2 [) p0 Z- L7 y* d/ o
4. pool.map(downloadloop, args) # downloadloop是下载函数，args是其参数
   # w( _' Q4 U& k* y; V! ?/ l

复制代码

) r/ _( Q* u5 ]) D0 N) |3 o这就搞定了。
* H) S1 V( |) S; Q0 j. E
2 C  V: h  @0 |4 N; |6 r- M. Z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，
4 H# l& C$ [3 T: _- {# ?0 n" w比如('a', 'b'), ('b', 'c')。。。这样划分若干个区间下载
4 w$ G( k$ Q; F
# P; N, p  K3 N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。
: E. |  b" B& s; n1 S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。
2 |4 K( W, o# x' M
# l6 u; S6 t- Q' m; c) m4 v7 cII. 断点续传
) f# F, J9 S& ^' E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；
: }1 a4 t$ j3 z& y& G即便无法自行恢复，也得容易手工处理，不然可有的烦了。
! Y. w, P& m0 v) X! `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. 
   
2. def fetch_a_word(part, word, url, data): # 下载一个单词
   3 I2 \1 h4 N( r" T  J7 \7 R- U% {
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
   
6.         return False
   
7.     else:
   8 }: u/ u- |: I1 l, v. @
8.         data.append(word_define) # 保存下载成功的单词数据
   
9.         return True
   
10. 
    
11. def download(part): # 下载一个区块
    $ i+ a& ^9 h: Z5 s6 `6 m5 ^
12.     words = getwordlist(part) # 读取单词总表
    
13.     if hasfailed(part):
    4 V8 H( n+ v! G9 V4 D* T9 C
14.         word, url = read_failed_word(part) # 读取前次下载失败的单词及网址
    - S% ]! M$ a$ D# \. b
15.     else:
    : q, s* }, d2 Y# r5 h/ o
16.         word, url = words[0] # 首次从头下载
    
17.     data = [] # 用来存放单词定义
    5 m* L: b8 ?9 r
18.     while not_end(words): # 循环下载
    
19.         if not fetch_a_word(part, word, url, data):
    ; S5 f% W6 D& i# f6 m: D
20.             failed = True
    
21.             break
    
22.         else:
    
23.             word, url = get_next_word(words) # 准备下一个单词及其网址
    0 |1 l" |6 z& u+ _( H
24.     if failed:
    4 z4 W8 h% y0 g+ U
25.         suffix = '.part'
    9 |+ Y6 b! m. |& v8 F9 U2 f2 g2 Q
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 q" M6 E, K+ o7 m& [* p
27. 
    
28. def isfinished(part) : # 判断某区块是否下载完成
    * J7 m6 @+ k1 L* ~# ~
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
    ! K8 B3 i, h+ V+ R
31.     else:
    8 [0 g7 q  @9 ?0 q( ^+ ]
32.         return False
    
33. 
    
34. def downloadloop(): # 循环检测未下完的区块
    
35.     finished = 0
    & ~' d8 H: S; ^& W' A3 x5 S( N
36.     while not finished:
    
37.         nf = [] # 没下完的区块
    8 i7 I6 p) T3 m+ T% L# l% W
38.         for part in parts:
    ( @# T0 X3 L6 t6 i* C8 H
39.             if not isfinished(part):
    
40.                 nf.append(part)
    ' l8 i* ~$ Y6 E: w7 L
41.         finished = not nf
    9 A6 A; ~/ f. t9 O3 ^' E
42.         for part in nf:
    
43.             download(part)
    % l  D: J9 ~5 s1 @' ^1 \

复制代码

! v7 N7 i9 w5 w( A$ K
III. 高速下载网页的小技巧
; r) _  U1 R, e7 L1 C/ LPython里面有三个库都可以用来下载网页：urllib2、urllib3和requests。
( ?6 S# M7 K6 t+ c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。
( R+ a0 f0 v  {8 S0 A$ X* P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。
& ]& N* g7 m# T8 i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。
5 F: O6 {. C/ Y' [! h7 @' \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。
7 Z8 S- |) o$ b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：
8 a- `6 e3 k+ A; Vhttp://urllib3.readthedocs.org/en/latest/
http://docs.python-requests.org/en/latest/：
6 S4 _- B) c2 t& H& ?8 g

1. 
   
2. #urllib2
   
3. import urllib2
   
4. def getpage(url):
   
5.     req = urllib2.Request(url)
   0 X+ R% L: \' r! f
6.     response = urllib2.urlopen(req)
   
7.     page = response.read()
   $ g# l& D+ Z# m4 s8 m$ j$ A
8. 
   
9. #urllib3
   
10. from urllib3 import PoolManager
    
11. http = PoolManager()
    , K; M2 ?+ P) _
12. def getpage(http, url):
    
13.     r = http.request('GET', url)
    0 ]: i# v* X$ p$ k, d# G) L
14.     if r.status == 200:
    : P7 T% i( A7 x! d5 u
15.         return r.data
      X  c2 I! i7 ~  t  d+ {" b
16.     else:
    5 l2 S/ T  Q: N7 {
17.         return None
    # O& D/ i& p2 E& ]$ ]1 x7 @
18. 
    
19. #requests
    # ^' g" J0 Y- W- L, e& C1 m4 x
20. import requests
    
21. session = requests.Session()
    " t$ f2 h0 k$ W8 _
22. def getpage(session, url):
    0 r7 p/ l! O1 C% m2 f+ r6 k. g  v
23.     r = session.get(url, timeout=10)
    
24.     if r.status == 200:
    
25.         return r.content
    ( L6 D9 }& ~' U. X# C* M7 p, G, b
26.     else:
    % k1 H1 H/ O- i4 K. K) ^
27.         return None
    9 `* K9 J9 t: F! \/ u/ I/ P

复制代码

9 x7 M1 J' L# o9 r7 S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。
" ~/ z, q9 `- a# a) b; w! L/ V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。。。）
5 x! I0 ]- R- T1 [都涉及到特征识别问题。
3 \$ ^6 k. i" \2 x, s' L  H$ Z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
% B6 d0 q- t6 q1 T8 N: P5 H5 h0 q8 g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。
3 {: d3 R0 |. f9 u6 q所以常常要结合使用。
: S+ W$ |6 v' S" w: s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 E# P: Y) B9 o: a( t% f; @) z
2、排版
: K5 d9 s" g' K: ]4 s3 k& l, nHTML、CSS的基础知识：
/ ^6 I- U# p/ t) r2 }' I- [http://www.w3school.com.cn/html/index.asp
, w3 V, `1 c7 E) ~- q2 Bhttp://www.w3school.com.cn/css/index.asp
, V7 C# ]5 s! Ghttp://www.w3school.com.cn/css3/index.asp
$ v/ ^( b0 d; K) j8 V: 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。
# k& W. ^' O) f; s! C7 B
五、结语
; ^' |0 g2 P4 g# e' \, \- q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。
& c& F" v8 K$ y' `; h" p0 n5 H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。
6 `3 F% P! Z0 ~$ H$ p7 W- w2 j
$ `/ J  `4 X. ~- ]" r只是拜托不要打扰别人，真想要就自己动手。
  e! F, L+ W  J7 _3 {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。
! C" t0 _0 B0 t* n: I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
) t/ p) Y: l1 y( s" ]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
+ p! ~- `! C) @+ c2 i5 o确实如此
: \" p7 r' E3 Z' Z8 S; p; v, E1 m不过这里只是举例而已，不用太较真啦
: `7 T/ i# d, f& v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
- k6 |  `1 d6 t/ m8 v7 Z) q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 b* y, z; Z! ~; a+ K4 o' \即，
' m9 y( l. C0 {7 `8 ]  `5 E$ N. v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）
9 u% D9 U0 Y9 {4 r) @2 s7 j; E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
。。。
8 f1 g  ]; O$ 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）
* j  l1 c( ?0 A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。
7 D+ h3 i( S! L0 E2 b- K6 R  j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。
) i" U% t6 o9 t

bt4baidu

Oeasy 发表于 2014-10-24 18:41
4 C$ h- J6 O1 O* k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 ...

* n6 p4 w' r  P: p( o- 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、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。
: a2 ]# O" L4 C6 ]0 Z# j5 V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。
: T1 r* V+ y/ w  g: y& m8 ~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；
9 i; k# i6 ^& K3 R! H0 c5 r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；
, Q0 v% V+ `0 _, `8 U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。
3 H9 q& v- I+ A% M2 z: i" ]
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。
  L6 h# i. G3 I+ U5 d( \
1 ]: A+ d8 t5 v" K+ y" L# z- X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。
# D- }* d, |' b/ Y) K

happlebao

针对

IV. 片断索引型网站

说一下。
其实只是你没有发现而已。
* L2 {( p/ K9 R. [' s8 i6 xODE： http://www.oxforddictionaries.com/browse/english/
) M- o! ]- C& y$ T! nRHD：http://dictionary.reference.com/list/a/
( s, `; _8 V! O. K" f! j! a! UCALD：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
) o5 L/ J: V, }% Z- O! h5 L
/ i& v% m9 q2 E& o" R+ D. IPS：最近才发现这里，发现资料很多啊。
- g$ V7 @% x- @, U* ?) R

bt4baidu

排版、修改他人制成品小技巧

7 x( H2 t4 V% D# p/ c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. E1 }2 ~. H) X; Z9 |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
. D: \2 J0 G5 P9 a6 r1 c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: F5 t- V8 F' _, m  W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
: \( O$ I9 `6 V& {8 u
4 c& T4 d) l. G, H5 @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
, @$ ]* ]' S% P5 N# n. d( Q

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
: d3 o- @) Z9 {3 n
+ ^2 q$ ]9 e' r3 [, P
收工

Oeasy

# y) p  b& A5 o& y* S5 M


感谢楼主分享知识和经验。

, v. e9 l5 p: M: a: 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。
, Q! @! y+ T  F* C' X8 n. {, Q: x
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。
' p/ `' G3 Q  R" c% R+ X3 w) @
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。

. n6 ]- t) R" Z8 p- F9 e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。


" N4 ?5 T& M) v* h% X' V
5 Q8 @# h4 {/ o3 i: q
) v  K% W) @1 q+ ]! j5 ^2 s

bt4baidu

Windows下制作词典必备的文本处理软件：

• EmEditor
• Beyond compare
  8 `3 `* K- l& ^" u

% c; M( |- X# W  O& V  E$ Q) ~前者用于编辑，后者用于差分比较
- O7 ?  w2 {7 |7 X* t' K6 C$ ]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
/ f) s6 ]. C7 d现有的mdx词典，其实足够绝大多数人用一辈子的了
: S1 m5 ^4 ~  x5 ]
6 w. B: x) z8 a- a! g本人前段时间制作、收集了不少，经过一段时间的比较 ...

& V3 b) d$ `/ m+ L1 i7 }6 ~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）
& K6 h- L  t4 [5 I$ w8 {% {7 Uhttp://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

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
. r5 y& a$ H& p7 N/ q  D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 ...

0 N4 U3 x( z8 [# E& D/ a$ d* F1 `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

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

( I" G; t' w/ Q7 g9 g2 Q# g
5 v* y: T) w- s+ a3 R& U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

  L1 `9 _1 T( `# l, L  p5 Vjava和.net就是个垃圾，我懒得提而已
' |& Q7 g  S* U/ e; A# a: B5 R% e在Linus这样的大神眼里，连C++都是垃圾：
* C! e" L: `" ~4 \$ u  dhttp://www.csdn.net/article/a/2010-06-12/218785
" d1 q4 p$ K0 }3 u
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。
+ @0 q+ o0 d, h; }7 s/ l" w5 T$ _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？
. A# R8 I" W$ O因为垃圾代码太多了。
( F( {! o$ t# d
% d! b- l' D3 i  n  C4 I
* ?3 }( {6 u' ~6 J

meigen

$ }, h' @5 t2 _8 H- U4 J
算了，道不同不相为交流
5 P; e* G! h" E! g想起某个梗
6 y$ p3 N* E/ I5 V" l- ~: L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！

, R' M4 w) L( n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。
& c8 k+ Q" J% F; d3 _1 Y& H
" W; n: C8 t( h+ u& k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
算了，道不同不相为交流
想起某个梗
/ i5 Y# v0 X7 Z6 c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。
! j/ S  R0 A3 v  \- L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

大熊部落 发表于 2014-10-21 00:35
5 V0 n. |+ P" }4 n7 q不赞成多线程抓网站，但是好贴子要支持！
8 r1 C( [9 N/ d: p1 S' s0 I
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  k) P, u1 T$ L  o9 v: X下载软件？推荐一款？
4 _% M8 g( ?7 r& Q# L5 B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；
7 b& A- B. t2 `! a6 a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？
) d. x% Q$ H1 V% y8 l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。
& f2 Y$ ]; `: x0 P9 Y9 `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。

7 @+ i/ B4 n* |; J  ?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，
$ E* e! r+ |, E" l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：
! {/ ?/ o: K" E* V1 G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。
9 L/ O2 Q) e: C5 x6 {+ 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；
现在99.999% ...

  Y8 o% g% K1 R' p! f! Q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。

3 B5 \2 ^' ]0 M7 H# E- ]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。

& u0 O2 A3 ^# e& T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。

! D- D- D3 |8 z( V" L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
4 T# }% p# l5 j+ K1 I7 O7 n5 e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
3 M2 f) a- L( a( J

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。

) z2 x0 u5 ^, i' ]" A6 J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
2 _$ J/ Y8 ]+ p计算机是用会的，不是学会的；
; v1 G& h- M  `! d程序是调试出来的，不是写出来的
8 S+ E. `4 J% v; {( N5 f' W
6 d8 [. J  ?) ?# A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。
1 G+ `( R8 w8 N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
" t3 Z& M3 h; v! p6 O# 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 ...

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。
+ I" N1 ?0 m4 w) c
: C4 ?8 ^/ {9 S8 l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