查看: 3481|回复: 26
打印 上一主题 下一主题

[讨论] 论如何爬取杨百翰大学iweb corpus语料库

[复制链接]
  • TA的每日心情

    昨天 06:51
  • 签到天数: 593 天

    [LV.9]以坛为家II

    1

    主题

    613

    回帖

    1805

    积分

    解元

    Rank: 5Rank: 5

    积分
    1805
    跳转到指定楼层
    1
    发表于 2019-9-3 21:04:23 | 只看该作者 |只看大图 回帖奖励 |倒序浏览 |阅读模式
    最近花费不少心思,基于COCA20000,做了份Excel词汇表。
    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。




    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。

    1. https://www.pdawiki.com/forum/forum.php?mod=viewthread&tid=33399&highlight=iweb

    2. https://www.pdawiki.com/forum/forum.php?mod=viewthread&tid=33281&highlight=iweb
    复制代码



    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。


    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。
    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。

    大家有什么想法,可以提提啊。
    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。



    COCA1.png (293.49 KB, 下载次数: 3)

    COCA1.png

    iweb爬取.png (59.59 KB, 下载次数: 3)

    iweb爬取.png
  • 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

    4

    主题

    598

    回帖

    1万

    积分

    状元

    Rank: 9Rank: 9Rank: 9

    积分
    12199
    推荐
    发表于 2019-9-26 17:59:52 | 只看该作者
    本帖最后由 eplono 于 2019-9-30 07:44 编辑

    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。

    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”]),
    功德无量哦

    我今年年初的时候BT(magnet:?xt=urn:btih:EEBAC1F45D81FC3EEA92A7C6CC7179C863E290B9&tr=http%3A%2F%2Fbt4.t-ru.org%2Fann%3Fmagnet)
    下载了一份COCA 2012年的原始数据,

    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

    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。

    等下完了就放出来希望有人做个词组(or搭配)的词频...

    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???
  • TA的每日心情

    昨天 06:51
  • 签到天数: 593 天

    [LV.9]以坛为家II

    1

    主题

    613

    回帖

    1805

    积分

    解元

    Rank: 5Rank: 5

    积分
    1805
    推荐
     楼主| 发表于 2019-9-25 19:30:52 | 只看该作者
    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。
  • TA的每日心情

    昨天 06:51
  • 签到天数: 593 天

    [LV.9]以坛为家II

    1

    主题

    613

    回帖

    1805

    积分

    解元

    Rank: 5Rank: 5

    积分
    1805
    推荐
     楼主| 发表于 2019-9-5 21:24:19 | 只看该作者
    你去哪里 发表于 2019-9-3 21:41
    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。

    补图。。。。

    iweb_dtl_20000.png (168.36 KB, 下载次数: 6)

    iweb_dtl_20000.png
  • 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

    4

    主题

    785

    回帖

    1万

    积分

    状元

    Rank: 9Rank: 9Rank: 9

    积分
    11494

    QQ 章

    推荐
    发表于 2019-9-3 21:41:52 | 只看该作者
    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。
  • TA的每日心情
    开心
    2023-2-5 13:47
  • 签到天数: 42 天

    [LV.5]常住居民I

    0

    主题

    65

    回帖

    1465

    积分

    解元

    Rank: 5Rank: 5

    积分
    1465
    推荐
    发表于 2022-11-25 17:50:01 | 只看该作者
    非常感谢,请问原始爬出来的网页文件方便分享吗?谢谢????????
  • TA的每日心情
    开心
    2023-2-5 13:47
  • 签到天数: 42 天

    [LV.5]常住居民I

    0

    主题

    65

    回帖

    1465

    积分

    解元

    Rank: 5Rank: 5

    积分
    1465
    推荐
    发表于 2020-1-25 21:05:27 | 只看该作者
    楼主做的怎么样了呢?期待你的大作!
  • 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

    9

    主题

    1614

    回帖

    1万

    积分

    状元

    Rank: 9Rank: 9Rank: 9

    积分
    18686
    推荐
    发表于 2019-11-18 15:33:50 | 只看该作者
    这个没下文了?期待楼主更新。
  • 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

    20

    主题

    1368

    回帖

    4万

    积分

    状元

    牛津爱好者

    Rank: 9Rank: 9Rank: 9

    积分
    41348

    灌水大神章小蜜蜂章笑傲江湖章QQ 章推广专家

    推荐
    发表于 2019-11-9 03:35:21 | 只看该作者
    ubersoft 发表于 2019-9-8 23:56
    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 ...

    我觉得最有用的是那个collocation和cluster
  • 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

    5

    主题

    846

    回帖

    7227

    积分

    会元

    Rank: 7Rank: 7Rank: 7

    积分
    7227
    推荐
    发表于 2019-11-6 11:34:39 | 只看该作者
    能做出排序,已经非常好了。祝楼主早日功成!
  • 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

    9

    主题

    1614

    回帖

    1万

    积分

    状元

    Rank: 9Rank: 9Rank: 9

    积分
    18686
    推荐
    发表于 2019-9-25 20:11:08 | 只看该作者
    楼主加油↖(^ω^)↗
  • 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

    9

    主题

    1614

    回帖

    1万

    积分

    状元

    Rank: 9Rank: 9Rank: 9

    积分
    18686
    12
    发表于 2019-9-3 23:08:43 | 只看该作者
    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。
  • 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

    9

    主题

    1614

    回帖

    1万

    积分

    状元

    Rank: 9Rank: 9Rank: 9

    积分
    18686
    13
    发表于 2019-9-3 23:09:54 | 只看该作者
    非常期待您的成品!
  • TA的每日心情
    慵懒
    昨天 06:22
  • 签到天数: 1132 天

    [LV.10]以坛为家III

    3

    主题

    1750

    回帖

    4万

    积分

    状元

    Rank: 9Rank: 9Rank: 9

    积分
    47113
    受到警告 14
    发表于 2019-9-4 09:02:43 | 只看该作者
    提示: 该帖被管理员或版主屏蔽
  • 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

    0

    主题

    435

    回帖

    7538

    积分

    会元

    Rank: 7Rank: 7Rank: 7

    积分
    7538
    15
    发表于 2019-9-4 13:25:25 | 只看该作者
    期待iweb的排序版啊,这个语料库收词量比COCA大了很多
  • TA的每日心情

    昨天 06:51
  • 签到天数: 593 天

    [LV.9]以坛为家II

    1

    主题

    613

    回帖

    1805

    积分

    解元

    Rank: 5Rank: 5

    积分
    1805
    16
     楼主| 发表于 2019-9-5 14:09:09 | 只看该作者
    ChaunceyWei 发表于 2019-9-4 13:25
    期待iweb的排序版啊,这个语料库收词量比COCA大了很多

    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。
  • TA的每日心情

    昨天 06:51
  • 签到天数: 593 天

    [LV.9]以坛为家II

    1

    主题

    613

    回帖

    1805

    积分

    解元

    Rank: 5Rank: 5

    积分
    1805
    17
     楼主| 发表于 2019-9-5 21:09:57 | 只看该作者
    iweb语料库前60000个词频排序版已搞定

    iweb_top_60000.png (94.87 KB, 下载次数: 10)

    iweb_top_60000.png
  • TA的每日心情

    昨天 06:51
  • 签到天数: 593 天

    [LV.9]以坛为家II

    1

    主题

    613

    回帖

    1805

    积分

    解元

    Rank: 5Rank: 5

    积分
    1805
    18
     楼主| 发表于 2019-9-5 21:22:52 | 只看该作者
    ericqjy 发表于 2019-9-3 23:08
    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。

    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)。
    正在想办法把这些明细数据爬下来,然而技术太菜

    该用户从未签到

    4

    主题

    398

    回帖

    3360

    积分

    贡士

    Rank: 6Rank: 6

    积分
    3360

    灌水大神章

    19
    发表于 2019-9-5 22:07:55 | 只看该作者
    正想找高频表导入欧路背单词,楼主可否分享词频表?
  • 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

    1

    主题

    23

    回帖

    504

    积分

    举人

    Rank: 4

    积分
    504

    QQ 章

    20
    发表于 2019-9-6 19:05:02 | 只看该作者
    求分享csv格式单词表
  • TA的每日心情

    昨天 06:51
  • 签到天数: 593 天

    [LV.9]以坛为家II

    1

    主题

    613

    回帖

    1805

    积分

    解元

    Rank: 5Rank: 5

    积分
    1805
    21
     楼主| 发表于 2019-9-7 10:36:30 | 只看该作者
    反馈一下iweb语料库爬取进度,暂时保存的都是html格式

    有没有大佬原因做成mdx

    TIM截图20190907103202.png (273.55 KB, 下载次数: 4)

    TIM截图20190907103202.png
  • 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

    16

    主题

    585

    回帖

    2万

    积分

    禁止发言

    积分
    21266
    23
    发表于 2019-9-10 17:08:07 | 只看该作者
    可以的,个人赞成有偿服务!