为什么要建立自己的单词库

• 用过各种的背单词软件，总是在使用其他人的词库或者软件自己提供的词库，基本是人家提供什么自己就用什么，要想有更多的自主基本没有，最近看一个 COCA的按单词使用频率来提取的2万单词表，但没有对应的单词库，知米里倒是可以直接导入英文单词，系统帮你匹配上音标、读音、例句及解释，然而匹配后的结果你却无法导出。

• 特别是最近准备利用AnkiDroid来进行单词背诵，所以有种要建立自己的单词库的需求。更进一步或许可以自己开发一个背单词的软件也是有可能的。“万里长征第一步，先来建立单词库”，走一步看一步吧。

词库的需求分析

根据需求，词库应该包括如下内容

1. 英文：对应英语单词

2. 音标及读音：分为美语音标，读音，英语音标，读音

3. 词性，中文释义：单词多个含义的不同词性和中文

4. 例句：单词的例句

5. 助记：比如词根或者其他有助于记忆的说明

6. 输出一个文本文件好了，方便以后进行各种处理

使用技术的选择

• 获得单词的相关信息，目前可以通过百度翻译，有道翻译，必应翻译，谷歌翻译，金山词霸等方式，在综合考虑后选择通过必应字典模式获得相关数据。

• 数据爬取上，目前最为流行的并且相对成熟的是使用python（也就懂python），所以选择python

• 对于使用python爬取数据，一般有两种模式，一种是python+urllib+lxml, 另外一种是python+selenium+chrome。

• 本身就是一个小项目，同时自身学习能力有限就没考虑scrapy的爬虫框架了。估计以后要是大量、各种、经常性爬取内容才会考虑这个。什么都要学习呀，学习是要成本的。

• python+selenium+chrome：可以模拟浏览器动作，能有效的解决ajax模式下的数据爬取问题；很容易实现基于浏览器的测试；必须能够趟过 selenium 的一系列坑，相对学习成本要高

• python+urllib+lxml：学习成本相对较低；ajax，动态网页的爬取不方便

当然两者都需要有一定的正则表达式能力。由于必应字典基本都属于静态网页，所以选择方式2就是python+urllib+lxml模式。

实现

• python及相关环境安装：使用anaconda 完成整体环境的安装，这里略过，详细见http://www.jianshu.com/p/f452f71860ab

• 构造url：基本构造很简单http://cn.bing.com/dict/search?q=单词

• 获得页面：构造一个函数，输入单词，通过urllib获得对应页面，并返回

＃注：为排版准确，一下前端缩进为全角空格，复制粘贴是运行不起来的

def get_page(myword):

　　basurl=’http://cn.bing.com/dict/search?q=’

　　searchurl=basurl+myword

　　response = urllib.request.urlopen(searchurl)

　　html = response.read()

　　return html

• 解析页面：主要使用lxml，通过xpath进行内容解析，以下以获得单词音标为例，其他相识。

def get_yingbiao(html_selector):

　　yingbiao=[]

　　yingbiao_xpath=’/html/body/div[1]/div/div/div[1]/div[1]/div[1]/div[2]/div’ #xpath

　　bbb=”(https\:.*?mp3)” ##这个是为了获得对应的读音MP3文件，使用正则表达式

　　reobj1=re.compile(bbb,re.I|re.M|re.S)

　　get_yingbiao=html_selector.xpath(yingbiao_xpath)

　　for item in get_yingbiao:

　　　　it=item.xpath(‘div’)

　　　　if len(it)>0: #处理没有读音或者音标的部分

　　　　　　ddd=reobj1.findall(it[1].xpath(‘a’)[0].get(‘onmouseover’,None))

　　　　　　yingbiao.append(“%s||%s”%(it[0].text,ddd[0]))

　　　　　　ddd=reobj1.findall(it[3].xpath(‘a’)[0].get(‘onmouseover’,None))

　　　　　　yingbiao.append(“%s||%s”%(it[2].text,ddd[0]))

　　if len(yingbiao)>0: #数据整形成一个字符串，用四个竖线分隔

　　　　return reduce(lambda x, y:”%s||||%s”%(x,y),yingbiao)

　　else:

　　return “”

• 多数据输入输出：输入文件为一个英语单词文件，每个单词一行，输出为一个包含单词，音标，释义，例句的文件，同样每个单词一行。

filename=’words.txt’ #输入文件

f=open(filename,”r”)

words=f.readlines()

f.close()

filename2=’words_jieguo.txt’ #输出文件

f=open(filename2,”w”)

i=0

for word in words:

　　time.sleep(0.25) #怕爬太快给必应干掉，所以歇一会再来

　　print(word.rstrip(),i)

　　word_line=get_word(word.rstrip()) #获得单词相关内容函数

　　f.write(“%s\n”%(word_line.encode(‘utf-8’))) #写入输出文件

i=i+1

f.close()

• 整体代码: python3下的实现，在python2下需要进行一些微调。

由于单词本身不多，而时间其实更多，所以没进行多线程的改造，按一小时3600秒，一秒爬4-5个单词，一小时也能爬下不少单词，多线程改造意义不大。