# ECDICT

Free English to Chinese Dictionary Database. ## 简介 这是一份英文->中文字典的双解词典数据库，根据各类考试大纲和语料库词频收录 20万条各类单词的英文和中文释义，并按照各类考试大纲和词频进行标注。 最初开发看书软件时需要给软件添加一个内嵌字典，在网上找到了一份别人提供的 EDictAZ.txt 的文本文件，里面有差不多两万英文单词的释义，于是开始用这个文件来提供字典查询，用着用着不够用了，又找到一份四六级到 GRE 包含释义的词汇表，但是缺少音标，于是写了个爬虫从各种资料里面把音标给爬下来，外加自己补充了一些组成了一份三万基本词汇的数据库。 其后数年根据各种资料和网友贡献词库增长到10万左右，又找到 Linux 下面的 cdict-1.0-1.rpm 这个开源字典数据（mdict的主词库也是根据 cdict转换得到），并按照英国国家语料库的前16万单词进行校对，补全很多语料库里词频较高但是却没有收录的词条。 ## 选词 很多网上词典（如简明英汉词典，朗道词典）号称收词量大（40万），但是很多是些专业名词，光医学名词和化学名词就接近20万，这些平时用的并不多。 而平时用的很多的，如中考高考到 GRE的一万五千核心词汇，他们居然能缺少两千左右。对比英国国家语料库（BNC）的词频数据，前十万高频词汇缺少一万二多；同时对比美国当代语料库前六万高频词汇，任然缺少一万多。 国内词库制作之不严谨，由此可见一斑，大家常用的40万词条朗道字典（GoldenDict / StarDict配套的那个），居然没有收录 “learn” 这个单词，搞笑吧？我不知道是 bug还是什么。号称收词量最大的简明英汉词典，居然没有 “longtime”，当然他有词组“long time”，但是近年来 longtime已经链接为一个词了，并且词频很高。词频上升比较快的还有 Taliban ，这些他们都没收收录。 包括不限于国内某些著名的商业词典，很多号称收词量多，但是他们把词给收偏了，所以我们需要更科学的根据各类考试大纲和语料库对选词进行矫正。 避免搞什么大而全的 40万词条，OALD和朗文等也才8万左右的收词量，不要那几十万乱七八糟的来自医学化学电力机械化工等专业的词条，保持 20万左右的收词量足够。从最初的中高考各类考试大纲开始，到各种语料库和词频库，选择真正重要的 20万词，选词工作参考如下资料： | 语料库 | 解释 | |--------|------| | 考试大纲 | 中考大纲，高考大纲，四六级大纲，托福雅思GRE大纲，等，必须覆盖到位 | | BNC 词频数据 | 英国国家语料库（British National Corpus）是目前世界上最具代表性的当代英语语料库之一。该语料库书面语与口语并重，其光盘版词次超过一亿，其中书面语语料库9千余万词，口语语料库1千余万词。 | | Oxford 3K | 《牛津3000词》是“由语言专家和经验丰富的教师根据词频和词意覆盖范围精心挑选的3000词，由于他们的重要性和有用性，被认为是应该最先学习的 | | 华尔街日报 | 根据近20年华尔街日报语库整理而成的杂志类词频顺序表进行选词 | | 柯林斯星级 | 柯林斯从语料库中将单词在日常生活中的使用频率统计出来，按照频率的高低将单词分级，五星的就是日常生活中最常用的，依次类推。| | 美国当代语料库 | 前面的 BNC语料库主要收录了近几百年的英文单词，而当代语料库主要收录近20年的电影电视，报刊，谈话记录，文献，小说 等 | | Urban Dictionary | 俚语俗语等词汇 | ## 双解释义 当然要双解，诸如 WordNet，wiktionary.org 等提供了大量开放的释义资料。同时针对各类考试大纲词汇，网上有不少带释义的单词表供人下载，这些数据有的有错误，有的格式不统一，有的缺音标，有的缺英文释义，有的却中文释义，质量层次补齐，需要书写必要的代码来一次次整理统计，纠正和补全。 索性类似 WordNet 之类的开放语料库提供了针对 Python 的自然语言处理工具包，可以 pip下载下来，直接分析词汇和定义，还有词形变化，反义词近义词等。 释义参考了大量资料，包括不限于： | 名称 | 解释 | |------|------| | 各类资料 | 各类网上开源资料，小的有 EDictAZ.txt ，大的有 cdict-1.0-1.rpm 等 | | 考试大纲 | 网上各种带释义的考试大纲词表 | | WordNet | 普林斯顿自然语言处理资料库和工具包 | | Wiktionary | 多种语言的释义维基百科资料，由各国用户贡献的各类词条 | | Wikepedia | 维基百科收录了大量词条解释 | | CEDIT | 中文到英文的开放词典数据库，根据中文到英文的释义，反解出英文到中文的释义 | | TheFreeDictionary.com | 多语言开放词典 | | Google | Google Cloud Translation | | foldoc.org | Free online Dictionary Of Computing | | linguee.com | 数亿词条解释 | | Babylon | 各类词条数据来源聚合 | | Urban Dictionary | 俚语俗语释义 | 大量资料需要整合编辑校对，幸好有各种自然语言处理的开发包，可以用来做这件事情，制定评分标准，一个词语多个出处，选择最恰但准确的，核心词汇进行人工校对，部分不全的词条使用英翻中来解决。 ## 单词标注 给数据库中每个单词标注：是否是各类考试大纲词汇？以及他们在 BNC和其他语料库里的词频顺序。BNC词频统计的是最近几百年的历史各类英文资料，而当代语料库只统计了最近20年的，为什么两者都要提供呢？ 很简单，quay（码头）这个词在当代语料库里拍两万以外，你可能觉得是个没必要掌握的生僻词，而BNC里面却排在第 8906名，基本算是一个高频词，为啥呢？可以想象过去航海还是一个重要的交通工具，所以以往的各类文字资料对这个词提的比较多，你要看懂19世纪即以前的各类名著，你会发现BNC的词频很管用。 而你要阅读各类现代杂志，当代语料库的作用就体现出来了，比如 Taliban（塔利班），在 BNC词频里基本就没收录（没进前 20万词汇），而在当代语料库里，它已经冒到 6089 号了，高频中的高频。 BNC较为全面和传统，针对性学习能帮助你阅读各类国外帝王将相的文学名著，当代语料库较为现代，和实事以和科技紧密相关。所以两者搭配，干活不累。 经过标注后，你查任何一个单词，都会告诉你这个词汇是不是四六级词汇？雅思词汇？柯林斯星级是多少？是否是牛津3000核心词汇？传统词频和现代词频各是多少？这样单词的重要程度你就能了解个大概了。 ## 数据格式 采用 CSV文件存储所有词条数据，用 UTF-8进行编码，用 Excel的话，别直接打开，否则编码是错的。在 Excel里选择数据，来自文本，然后设定逗号分割，UTF-8编码即可。 | 字段 | 解释 | |------|------| | word | 单词名称 | | phonetic | 音标，以英语英标为主，好听嘛 | | definition | 单词释义（英文） | | translation | 单词释义（中文）| | pos | 词语位置，（待添加）| | collins | 柯林斯星级 | | oxford | 是否是牛津三千核心词汇 | | tag | 字符串标签：zk/中考，gk/高考，cet4/四级 等等标签，空格分割 | | bnc | 英国国家语料库词频顺序 | | frq | 当代语料库词频顺序 | | tense | 时态（ed, ing等）待添加 | | plural | 复数形式 | | detail | json 扩展信息 | | audio | 读音音频 url （待添加）| | audio_uk | 英语发音 | | audio_us | 美语发音 |