查看: 685|回复: 11
打印 上一主题 下一主题

[讨论] 制作词典的一些心得

[复制链接]

该用户从未签到

50

主题

620

回帖

1万

积分

状元

Rank: 9Rank: 9Rank: 9

积分
12280

灌水大神章小蜜蜂章笑傲江湖章

跳转到指定楼层
1
发表于 2020-7-13 17:46:58 | 只看该作者 回帖奖励 |倒序浏览 |阅读模式
本帖最后由 sxingbai 于 2020-8-25 13:15 编辑

一、excel文件的合并
用wps非常方便
二、数据遗漏检查
数据所在网址如是连续的,在抓取时连网址一并抓取,然后用excel查漏。具体做法是先把网址中的数字复制到表格A列,在B列输入公式=SMALL(IF(FREQUENCY(a:a,ROW($1:$32821))=0,MMULT(ROW($1:$32822),1)),ROW(A1))进行计算。其中32821等替换为网址中的最大数字。
三、参见跳转
如果参见后的条目较多,可先用正则式(“.+?”。)全选相应文字,再用(“.+?”)在选区内替换。
四、目录制作
如果是多级目录时制作较为麻烦,利用excel,一级目录在第一列,二级第二列,依次类推,其中细节处理用好公式,不再详述,最后目录加上p标签,条目加上a标签即可。
五、特殊序号
处理特殊序号,如带圈数字,可上网查找其起始值的unicode码,如\u2460,一般终止值设为\u2490已经够用,在emeditor中用[\x{2460}-\x{2490}]即可对其处理。
六、多对一
([^✐])◐(.*?)\|(.+)$-->\1=\3☁\2✐◐|\3。表达式|是多与一的分隔符,◐是多之间的分隔符,=是连接符。多次替换,一直到不能替换为止,最后处理掉无用的东西。这个用excel也行,不过也麻烦。

以上是自己摸索到的一点经验,不揣浅陋,不当之处望指正,更希望能起到抛砖引玉之效。
  • TA的每日心情
    开心
    昨天 08:31
  • 签到天数: 1424 天

    [LV.10]以坛为家III

    6

    主题

    1874

    回帖

    1万

    积分

    状元

    Rank: 9Rank: 9Rank: 9

    积分
    13445
    2
    发表于 2020-7-13 18:42:38 | 只看该作者
    Thanks for sharing.
  • TA的每日心情
    擦汗
    2020-1-9 13:35
  • 签到天数: 178 天

    [LV.7]常住居民III

    57

    主题

    1222

    回帖

    4788

    积分

    贡士

    韬光养晦,低调看书,低调生活

    Rank: 6Rank: 6

    积分
    4788

    QQ 章灌水大神章笑傲江湖章推广专家

    3
    发表于 2020-7-13 22:06:07 | 只看该作者
    先收藏了,有时间了,配合bt4baidu版主的爬网页方式试试
  • TA的每日心情
    奋斗
    6 天前
  • 签到天数: 605 天

    [LV.9]以坛为家II

    74

    主题

    1124

    回帖

    8618

    积分

    进士

    Rank: 8Rank: 8

    积分
    8618
    4
    发表于 2020-7-14 21:41:52 | 只看该作者
    会编程会不会快点
  • TA的每日心情

    2022-12-2 14:51
  • 签到天数: 149 天

    [LV.7]常住居民III

    2

    主题

    250

    回帖

    2772

    积分

    解元

    Rank: 5Rank: 5

    积分
    2772
    5
    发表于 2020-7-15 21:09:34 | 只看该作者
    williamson 发表于 2020-7-13 22:06
    先收藏了,有时间了,配合bt4baidu版主的爬网页方式试试

    少年,会不会汉语语料库制作技术啊?个人不是技术控,在这方面有点瓶颈
  • TA的每日心情
    擦汗
    2020-1-9 13:35
  • 签到天数: 178 天

    [LV.7]常住居民III

    57

    主题

    1222

    回帖

    4788

    积分

    贡士

    韬光养晦,低调看书,低调生活

    Rank: 6Rank: 6

    积分
    4788

    QQ 章灌水大神章笑傲江湖章推广专家

    6
    发表于 2020-7-15 22:42:58 | 只看该作者
    泥瓦匠萨奇 发表于 2020-7-15 21:09
    少年,会不会汉语语料库制作技术啊?个人不是技术控,在这方面有点瓶颈 ...

    汉语语料库,
    您知道这是一个多大的工程么?
    语料库,对于汉语,得先确定字正确,其次是语句有无问题,是件大工程

    对于语料库制作,无外乎两种手段:
    一是爬取现成的语料库,小白也能学的爬虫技术,是咱们论坛大佬发的https://www.pdawiki.com/forum/thread-13219-1-1.html
    对于爬取我个人是推荐的,你只要按部就班,按着大佬说的,他说一步,你走一步,肯定会成功,而且省不少校对的时间
    二是利用OCR的技术,可以是ABBYY finreader OCR的,也可以是tesseract的OCR,前者可以大面积,批量的识别,后者则是手动取词,不过两者利弊明显:
    ABBYY虽能批量识别,但错误很多,需要投入大量校对时间;tesseract,虽是手动,但准确率很高
    至于自己利用python写个脚本,把tesseract当成ABBYY来用,对于咱们小白来说无疑是不可能的

    所以,鄙人不推荐你制作文字版语料库,太费时间,个人没有这个精力,如果你是干这份工作的话,校对无疑占用最多的时间。如果不是,那么就奉劝,量力而行,没必要非得费那么大精力去做一个不太讨好的活
    如果你能发几张截图关于你的语料库制作,我想先看看,看能不能帮到你,毕竟没看到实图,不好说
  • TA的每日心情

    2022-12-2 14:51
  • 签到天数: 149 天

    [LV.7]常住居民III

    2

    主题

    250

    回帖

    2772

    积分

    解元

    Rank: 5Rank: 5

    积分
    2772
    7
    发表于 2020-7-16 10:17:51 | 只看该作者
    williamson 发表于 2020-7-15 22:42
    汉语语料库,
    您知道这是一个多大的工程么?
    语料库,对于汉语,得先确定字正确,其次是语句有无问题,是 ...

    抱歉,抱歉!没想到这竟然是这么一门高精尖的技术活我的想法很简单,就是想把民国以降的武侠小说文本归拢到一起,然后进行词频统计,得出一份专属的历史文学语汇集,方便自己写作参考之用。不过昨天试下了网友给的rost cm6软件,压根用不了,分词功能可以正常使用,但一到词频统计就报错,压根不能用。
  • TA的每日心情
    擦汗
    2020-1-9 13:35
  • 签到天数: 178 天

    [LV.7]常住居民III

    57

    主题

    1222

    回帖

    4788

    积分

    贡士

    韬光养晦,低调看书,低调生活

    Rank: 6Rank: 6

    积分
    4788

    QQ 章灌水大神章笑傲江湖章推广专家

    8
    发表于 2020-7-16 10:42:51 | 只看该作者
    泥瓦匠萨奇 发表于 2020-7-16 10:17
    抱歉,抱歉!没想到这竟然是这么一门高精尖的技术活我的想法很简单,就是想把民国以降的武侠小说 ...

    首先这个先保证每个字都对呀,有很多错别字就会导致写作出现纰漏,你可以去搜搜小说集,咱们论坛有文字版的,不过错误很多,你可以去看看那个
    你看看那个就知道汉语字典文字版有多么难做!个人力量太微小了,而且还是没有报酬的事,如果你执意于此,我精神上鼓励你,支持你
  • TA的每日心情

    2022-12-2 14:51
  • 签到天数: 149 天

    [LV.7]常住居民III

    2

    主题

    250

    回帖

    2772

    积分

    解元

    Rank: 5Rank: 5

    积分
    2772
    9
    发表于 2020-7-17 11:42:44 | 只看该作者
    williamson 发表于 2020-7-16 10:42
    首先这个先保证每个字都对呀,有很多错别字就会导致写作出现纰漏,你可以去搜搜小说集,咱们论坛有文字版 ...

    最近有个计划就是通过abbyy软件按部就班的将文史出版社出的那一套民国武侠小说文库转制成txt文本,估计真得耗费几个月的时间,但是成就感满满的。有时候都觉得这么好的大家宏编巨著却湮没无闻,声量还不如那些动不动碾压古龙比肩金庸的流量小说大,想想真的挺吊诡的(= ̄ ρ ̄=) ..zzZZ
  • TA的每日心情
    擦汗
    2020-1-9 13:35
  • 签到天数: 178 天

    [LV.7]常住居民III

    57

    主题

    1222

    回帖

    4788

    积分

    贡士

    韬光养晦,低调看书,低调生活

    Rank: 6Rank: 6

    积分
    4788

    QQ 章灌水大神章笑傲江湖章推广专家

    10
    发表于 2020-7-17 12:20:43 | 只看该作者
    泥瓦匠萨奇 发表于 2020-7-17 11:42
    最近有个计划就是通过abbyy软件按部就班的将文史出版社出的那一套民国武侠小说文库转制成txt文本,估计真 ...

    我觉得个人做那个难度相当大,您不妨考虑一下制作图片版,也可以是切图,使之适合手机,文字版那是出版社的事,个人完成那么大的工作量,太难,你整天校对,也得半年以上,如果书不是很多,那就去做吧,我有时间也会帮你的
  • TA的每日心情

    2022-12-2 14:51
  • 签到天数: 149 天

    [LV.7]常住居民III

    2

    主题

    250

    回帖

    2772

    积分

    解元

    Rank: 5Rank: 5

    积分
    2772
    11
    发表于 2020-7-22 19:40:09 | 只看该作者
    williamson 发表于 2020-7-17 12:20
    我觉得个人做那个难度相当大,您不妨考虑一下制作图片版,也可以是切图,使之适合手机,文字版那是出版社 ...

    工程量倒也不是说很大啦,abbyy扫描质量甚佳,基本上手动校订的比例很小,一本书大概3个小时左右可以出粗加工的半成品。主要是时间没那么充裕,只能周末两天才能腾出手来。
  • TA的每日心情
    擦汗
    2020-1-9 13:35
  • 签到天数: 178 天

    [LV.7]常住居民III

    57

    主题

    1222

    回帖

    4788

    积分

    贡士

    韬光养晦,低调看书,低调生活

    Rank: 6Rank: 6

    积分
    4788

    QQ 章灌水大神章笑傲江湖章推广专家

    12
    发表于 2020-7-23 08:33:47 | 只看该作者
    泥瓦匠萨奇 发表于 2020-7-22 19:40
    工程量倒也不是说很大啦,abbyy扫描质量甚佳,基本上手动校订的比例很小,一本书大概3个小时左右可以出粗 ...

    那就好,看来你的清晰度可以,清晰度差的话就麻烦了