|
|
本帖最后由 tsiank 于 2022-8-28 22:13 编辑
+ i" P2 o9 P* D# @3 {" C
- p* E- f: j& w/ ~7 {* W2 {看到论坛上还有许多人对牛津高阶双解第四版很感兴趣，也有人为了完善此词典而不断修正。然而此词典的数据在不断地转制过程中，失真较多，纵有多个版本相互参照，也不一定能校正过来。昨天有个朋友提起，我又找来原光盘的数据看了看，发现里面的数据基本上是明文存储的，研究了一番，最终基本成功提取。
: n! \% y/ T6 D* d! {5 w; ?% a. y7 s5 ^$ y4 z0 B
光盘的数据文件在DATA目录中，比较大的文件有三个：JRDCONV.DAT、JRDOVFL.DAT、JRDINDX.DAT。第三个名字一看就知道应该是词条的索引文件。第一个文件最大，词条内容应该就在这里。用Emeditor默认编码打开，里面的英文一览无遗，而且没有加密，中文是乱码，由于原光盘是繁体版，便试着把文本切换到BIG5码看看，果然中文都是正常了！再观察英文，有许多口口不能显示，而且这些口口似乎都是成对出现的，口P口p、口B口i、口I口i、口W口w，对html熟悉的人来说，瞬间就明白这些应该就是html标签。
7 O3 m, S1 _+ n) z+ U
5 V+ A1 w: n& K' J/ y+ v- c, X
h' N! R5 n. W$ W$ D0 Q$ R2 O( ^6 L+ q3 s$ ?2 F
如果在以前，我可能就直接用emeditor正则批量处理了，可是这些词条之间并没有什么特别独特的标记，导致不好分隔。这时我切换到16进制视图想看看到底有什么规律。然后发现每个词条在大段00后都以非00字符起始，后面再连续几个00字符，这些非0字符接数字顺序排列，最后一个词条是5716，换成10进制就是22294，这就是主词头数目了。. A1 w& D7 F: p" V1 m! c6 b
( W. v* E6 ~/ [ x9 |3 w/ ^3 u& A! r x1 W; W( J0 D
2 p0 g7 m5 G7 C* p7 J试着用C#写了脚本，以二进制方式读取，判断词头位置，划分词条，替换标签，转为UTF8保存。初步生成的文本如下，看起来似乎稍加处理就能用了。然后就又发现了个问题，好多词条都不完整，只有一半，另一半数据呢？答案就是在JRDOVFL.DAT这个文件中。
, w1 L9 J: h H" E. m% t
8 x8 Q& T: @9 C
0 s6 V7 k3 o- VJRDOVFL.DAT这个文件，每个词条在几个00后都也是以非00字符起始，这些字符也是词条序号，和JRDCONV.DAT文件中词条序号对应。一开始以为只要把这些词条追加到JRDCONV.DAT文件相应词条后面就行了，可生成后发现并不对。这个文件中有好多词条都是出现多次，需要插入到JRDCONV.DAT文件中同一词条的不同部分，这些要插入的位置都是以FF00起始。FF00后面的三个字节没看出来和JRDOVFL.DAT中的词条有什么对应关系。这就给两个文件中的词条合并增加了些困难。好在同一词条不同部分都是以先后出现的顺序插入，于是就用这个办法，以我有限的编程知识，循环套循环的实现。# k* v) P( e' g0 |
/ R& l- w4 l' Z' W, Z4 j! L
- c a" V C( F" g2 v. o* ^0 i7 c
经过多次调整，最后算是把词典数据基本还原了。不过也不能完全保证数据完全还原，有些词条的末尾处有数据编号，没看出具体作用，可能和图片声音有关吧。代码和提取后的数据我都放出来了，想动手的人可以照此思路和方法自己试着提取。由于光盘版本身有些数据就有问题，所以提取出来的数据也非完美。有人想要完善的可在此基础上继续加工，或可以以此数据和现在数据作校对用。需要注意的是，如果以此制作词典，不要轻易删除数据，不要轻易把繁体转简体，以免再犯前人的问题。$ ^! F0 k% O3 }$ ?
: L! }8 f+ G% \; o- M& {5 c( O
8 d/ g6 u1 } w" e) x20220828更新： l( L7 A7 o9 Q: Y% v8 ?" I {* Q+ g
还原自造字；
0 N; [( ~0 g/ `2 k7 N音标转换为Unicode音标；
# |9 X) w" v# Z+ k- k英文例句破折号还原；6 Y- |$ c* U( `4 g0 J) d* ^. }
增加牛津高阶第四版图片版；9 E+ p$ k* A9 n
- K8 Z2 z* j; d1 L$ r
欲了解详情，可点击个人网站 https://haibao.me& x; c5 B# R7 T! o% g& k/ C
9 B3 ^( C$ o$ z3 V- p* X; \9 l, q/ Y+ T
链接: https://pan.baidu.com/s/1HYBprhXAT4aoyDKe7u-Evw?pwd=b2tt 提取码: b2tt |
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
评分
-
3
查看全部评分
-
|
发表于 2022-8-16 00:15:32
