shannonyu / acorns Goto Github PK

本項目使用 GPL v3 協議。改編者請注意開源並使用相同協議。 本人輕度執行 Apache 關於文檔的標準，卽，對修改的內容做出說明。索引的修正多記錄在 https://github.com/821/Acorns 中，此處主要記錄圖片的處理。

Acorns 是個素材收集庫。這些素材的主要服務對象是製作輸入法和電子辭書。 愛收集的人常被戲稱爲「松鼠症患者」，而松鼠最喜歡收集的莫過於橡實。這項目的名字就這麼出現了。 基礎 retrieve date: 2015/06/22 。有不一樣的會再說明。 這個項目最早放在 Google Code ，後來用了一段時間 Google Sites ，現在還是覺得 Github 較安心。

https://github.com/cjkvi/cjkvi-ids/blob/master/ids.txt http://kanji-database.sourceforge.net/ids/ids.html 漢字拆解成部分，比如「明」拆成「日月」。 問題很多，暫不整理。 又，「零時字引」就是用了這份材料。

http://blog.xuite.net/fg_wang/twblog/309627490 原爲 mdx ，通過 JavaScript 實現查詢，轉爲 tsv 。 事實上也吸收了 ids.txt 的成果。

http://bbs.unispim.com/forum.php?mod=viewthread&tid=31674 原爲 chm 文件，轉爲 tsv 。

https://github.com/rime/brise/blob/master/preset/stroke.dict.yaml 114954 條數據，但是錯誤太多——漢字的筆順，中臺敎育部都搞錯很多。 修正「成」字相關筆順。「必」「忄」「火」「右」「有」等工作量太大，改不完。

https://github.com/lukhnos/openvanilla/blob/master/DataTables/bpmf-ext.cin 97968 條臺灣單字讀音數據。 同項目還有行列、大易之類臺灣輸入法的碼表，然並卵。

https://github.com/cjkvi/cjkvi-data/blob/master/cns2py.txt 90933 個漢字的臺灣讀音。

http://bbs.gxsd.com.cn/forum.php?mod=viewthread&tid=972697 原爲 Excel 文件，轉爲 tsv 。

Unicode 中區分新舊字形的字。自行收集，還沒幾個字。

也就是繁體中不存在的字。 最初來源於 http://bbs.donglishuzhai.net/thread-723-1-1.html 中的已删削文字.txt ， retrieve date: 2015/12/03 。本來衹是個繁體的大字符集五筆輸入法，不過作者用心的寫了文檔。 然後利用「漢文博士」和被簡化的部件，繼續增加本表的字。

http://www.byscrj.com/jmm/shuowen/dcd.js retrieve date: 2015/08/20 各項依次爲字頭，詁林正編，詁林補遺，詁林補編，詁林後編外編，通訓定聲，祁嶲藻繫傳，述古堂繫傳，段注，連筠簃義證，崇文義證，句讀，宋本，藤花榭，汲古閣，孫星衍，陳昌治。 在線查閱：http://www.byscrj.com/jmm/shuowen/find.html

http://bbs.xueleku.com/forum.php?mod=viewthread&tid=399185 從 Excel 轉成了 txt 。各項依次爲部首、字頭、說文解字詁林正編頁碼、說文解字詁林補遺頁碼、說文解字詁林補編頁碼、古文字詁林冊數、古文字詁林頁碼、說文通訓定聲頁碼。 說文解字詁林頁碼依中華書局 1988 版，雲南 2006 版頁碼可用此公式換算：(X-976)/4+244。本表不含無後編（說文逸字）文字及頁碼，補遺沒有的字也會被打上頁碼。 古文字詁林第十一冊未錄入頁碼。 說文通訓定聲頁碼依 1983 版武漢古籍版。

https://github.com/BYVoid/ytenx/blob/11dfc4bbfcb27857826efffc8463b0362af87b04/ytenx/tcenghyonhtsen/data/Dzih.txt 保留字頭、頁碼、韻部、聲調、反切，流水號和拉丁化之類就不要了。

https://github.com/cjkvi/cjkvi-dict/blob/master/kx2ucs.txt 頁碼對應最爲通用的同文書局版，含備攷和補遺。 根據新版 Unicode 修正了「鐕」、「呈」、「况」和「㤺」。「GKX-1595.80」根據原書改作「㠼」，「KX0391.023」據原書改作「𦣽」。 大抵帶星號的是某個字頭下的「古文」。 個別拆字不是很好，比如 1123.33 ，作「⿳⿲⿷匚一⿱古八𠆢？」（那個問號不知道是幹嘛），不如作「⿳⿶𦥑古八⿱人女」。還有 111.30 ，應該是「⿳巛𠔿⿵冂厶」。 「柵の形が微妙に違う」改作「⿰木𠕁」。 1602.022 誤作「𣨂」，改爲「⿱𢀸廾」。 1595.072 至 KX1595.082 順序錯誤，已修正。

http://www.byscrj.com/jmm/Classic/data-sorted.js 轉成 utf-8 ，做了一些細微的修正，比如構字法、批量遺漏的字符。 在線查閱： http://www.byscrj.com/jmm/Classic/search.html

http://pdawiki.com/forum/forum.php?mod=viewthread&tid=14155 retrive date: 2015/09/21 原爲 mdx ，現轉成 txt 。順序用編輯器隨便排了一下。

https://github.com/cjkvi/cjkvi-dict/blob/master/dkw2ucs.txt Unicode 碼轉成字了。

https://github.com/cjkvi/cjkvi-dict/blob/master/dkw-word.txt 原書「眾」的寫法，「亻」不蓋「人」。而且使用比較混亂，時而「衆」，時而「眾」。 錯誤較多，比如「奉諱」和「奉義」之間有兩個詞，本表僅一。又如「丟招」誤作「丟昭」，屬於同音字誤錄。再如「𡽖」誤作「嶰」，屬於形近字誤錄。還有三千多字顯示爲「■」，改正是個大工程。

http://pdawiki.com/forum/forum.php?mod=viewthread&tid=14227 retrieve date: 2015/10/07 拆包、用 EmEditor 按頁碼重排。

http://bbs.gxsd.com.cn/forum.php?mod=viewthread&tid=730553 原程序無法批量導出，用的格式也很詭異，所以用 AHK 逐筆提取成 txt ，提取時維持了原有的順序。之後用 Python 寫了個腳本來添加每一頁的字序，受限於源文件，錯誤很多。 王力古漢語字典的檢索還有 mdx 版，是經同源材料加工而成（完全繼承了本材料的錯誤，包括一些非常腦殘的獨特錯誤，故可判定爲同源材料），順序是錯亂的。本文件也有錯亂，但好一些，前面很小部分似乎校對過，順序是正確的，後面纔開始亂排。 刪去沒意義的集、畫，因王力不時在部首處加以解釋，故留部。 據原書修補了鬧、鬨、𩰓、緬、緘、鰍、帶、勢、黴、黲、纔、䋿、𧉅、𧍧、鑰、鋚、蕭、蘚、𧆌、虛、褻、襁、賒、𧦧、䩉、𨎌、呂、宮、閭、閶、吳、嘯、㘊、嚘、啑、蕆、藕、藼、陝、䤃、襗、肓、䏿、𪎭、痲、瘞、痬、壚、媼、嶪、憂、𢥘、坺、摲、𢶡、掔、攕、𢹲、攮、攣、哂、𪊨、麐、麌、雱、昴、䁝、晝、杠、㭒、搥、譥、賮、竇、餘、膞、䕓、𥹤、玂、禪、麈、哆、禠、譶、樁、庛、剌、蠯、鵃、䚢、𧕰、皃、𦢌、縳、罼、獆、麡、胄、𧏚、嘗、髺、疁、畼、晝、獎、娜、䣛、㝔、寠、歭、臝、嬴、褏、裏、㢮、彄、惲、𢝰、昡、眘、晙、皙、㬉、䁔、曈、禊、櫺、櫱、櫾、櫜、櫎、瀹、灈、𤄶、灟、為、溈、鳥、鳴、隝、鷦、鷙、鴂、鷥、鷫、䴠、雟、矕、矙、砯、𥛙、禜、禬、熲、豎、籪、籮、羅、簠、䈾、𩔞、𩅞、㷠、甡、觷、鴇、𪊍、賷、賺、賾、頤、闓、𨵦、闃、𤮘、䱍、䲔、蘤、璜、齷、齯、䬟、賢、驘、驪、驌、䮧、騺、驡、藚、荁、荆、姸、豣、筓、銒、鉶、幷、腁、逬、缾、餠、絣、蛢、輧、滋、荓、⿰氵茲、⿰𧾷幷、⿰幷色、⿰金幷、⿰𧾷幵、⿰氵幵、⿰石幵、⿱竹衛、⿱艹寗、⿰目𢿌、⿰⿱艹幵刂等字（多數是搞錯偏旁部首，用形近字，錄入者可能是用了非常不淸晰的掃描版來對照，也可能是在 OCR 的基礎上粗校而成）和部分排序，刪去多餘的字。

https://github.com/cjkvi/cjkvi-dict/blob/master/hydcd-word.txt 剝離出了紙本部分的詞彙。由於源文件使用了大量的日本漢字，而且舊字形也不符合漢大詞的習慣，所以用自己寫的一個列表「漢大詞用字」來把用字修正爲與紙本儘量統一的狀態。 漢語大詞典本身有很多奇怪的地方，比如把「示」的新舊字形當作截然不同的字做獨立解釋。而「示」的舊字形沒有獨立的編碼，所以本文件將二者合倂。「焭」分別入火、几二部，「缹」分別入「火」、「缶」二部，就不改了。 表中數百字使用頁碼或獨立號碼表示，現在全部改正。對於 Unicode 沒有的字，則使用拆字法。 表中不少錯誤，比如「嗥噦」，原書找不到。「矇瞍」出現兩次，查原書，發現後一個應該是「矇𥈟」，「轗𨎺」和「轗𨎹」、「蹴踏」和「蹴蹹」、「霶𩃰」和「霶𩃱」、「韭菹」和「韭葅」、「𪒱𪑠」和「𪒱𪒡」也誤作同一個。「𠌯昧」誤作「儷昧」、「𠵯喇」誤作「咶喇」、「喫詬」誤作「吃詬」、「𠷺」誤作「哱」、「𡃆楞嗆啷」誤作「噌楞嗆啷」、「𡸚嶭」誤作「嶘嶭」、「㕓闠」誤作「廛闠」、「凼肥」誤作「氹肥」、「撆缺」誤作「撇缺」、「鳧趨雀躍」誤作「島趨雀躍」、「鳧雛」誤作「島雛」。更神奇的還有「甯」誤作「寧」、「床」誤作「牀」、「箒」誤作「帚」、「穅」誤作「糠」、「𧃳」誤作「褻」、「韈」誤作「襪」、「蟑螂」的「螂」都打錯。均改正。

基於紙本詞表和大五碼版字表等已有資源製作而成，缺字很多。

http://bbs.gxsd.com.cn/forum.php?mod=redirect&goto=findpost&ptid=974990&pid=4330027 衹有大五碼所收字。

http://bbs.unispim.com/forum.php?mod=redirect&goto=findpost&ptid=31606&pid=121595 retrieve date: 2015/06/30

http://bbs.xueleku.com/forum.php?mod=viewthread&tid=369962 提取其 data-sorted.js 。

http://pdawiki.com/forum/forum.php?mod=viewthread&tid=13755 retrieve date: 2015/09/01 從 mdx 轉出來，用 EmEditor 自動排序。

https://github.com/cjkvi/cjkvi-dict/blob/master/twedu-dict.txt 這個文件可以檢索到五萬多個字，收錄時去掉了 twedu- 這個無用前綴。 另外這個文件竟然有一些官網沒有的字，可能是原來有，但被刪除了。

https://github.com/kcwu/moedict-variants/blob/master/list.txt 說明見其 Wiki Page 。 我把文件中的 /variants/tmp/ 和 .png 去掉了。 跟日本人做的文件相比，多了圖片地址。然而異體字字典原本是 Big5 的，向 Unicode 的推進過程不完善，很多 Unicode 已經有的字在日本版有了，但本文件跟官網一樣，衹能直接檢索到兩萬字。異體字字典官網對 Unicode 也是有意識的，很多圖片的地址實際上就是 Unicode 編碼。 有些不連續的號，比如 A00270-018 和 A00270-022 ，並不是顯示沒有這個字的，而是衹有字頭沒有釋義。兩個文件都沒有收錄。 此處順便吐槽一下異體字字典，修到第五版還不能直接檢索，第六版可以檢索了，又無聊把圖片的 link 全部改掉。比如原本一個字的字號是 B00001 ，那麼他的正字通的圖片名稱就是 B0000137.jpg ，其中 37 是第 37 部辭書的意思。現在是把所有的字的圖片編在一起，比如這張圖片之前有 12345 張圖片，那他就是 12346.png 。

基本上都是引得市裏提取的。

http://www.mebag.com/index/tongjia/List.asp retrieve date: 2015/10/28 Python 抓取所得，用 EmEditor 自動排序。點號後面是索引上的頁碼。 有不少缺字和頁碼錯誤。

http://www.mebag.com/index/tongjia/List.asp retrieve date: 2015/10/28 Python 抓取所得，用 EmEditor 自動排序。點號後面是索引上的頁碼。 有不少缺字和頁碼錯誤。

http://www.mebag.com/index/shodoo/list.asp retrieve date: 2015/10/31 Python 抓取所得，用 EmEditor 自動排序。點號後面是索引上的頁碼。

http://www.mebag.com/index/shodoo/list.asp retrieve date: 2015/11/01 Python 抓取所得，用 EmEditor 自動排序。點號後面是索引上的頁碼。

http://www.mebag.com/index/shodoo/list.asp retrieve date: 2015/11/02 Python 抓取所得，用 EmEditor 自動排序。點號後面是索引上的頁碼。

http://www.mebag.com/index/shodoo/list.asp retrieve date: 2015/11/02 Python 抓取所得，用 EmEditor 自動排序。點號後面是索引上的頁碼。

http://www.mebag.com/index/shodoo/list.asp retrieve date: 2015/11/03 Python 抓取所得，用 EmEditor 自動排序。點號後面是索引上的頁碼。

http://www.mebag.com/index/shodoo/list.asp retrieve date: 2015/11/03 Python 抓取所得，用 EmEditor 自動排序。點號後面是索引上的頁碼。

http://www.mebag.com/index/shodoo/list.asp retrieve date: 2015/11/03 Python 抓取所得，用 EmEditor 自動排序。點號後面是索引上的頁碼。

http://www.mebag.com/index/shodoo/list.asp retrieve date: 2015/11/03 Python 抓取所得，用 EmEditor 自動排序。點號後面是索引上的頁碼。

http://www.mebag.com/index/shodoo/list.asp retrieve date: 2015/11/03 Python 抓取所得，用 Excel 自動排序。點號後面是索引上的頁碼。

http://www.mebag.com/index/list.asp retrieve date: 2015/11/03 Python 抓取所得，用 EmEditor 自動排序。點號後面是索引上的頁碼。

整理自 Unihan 的數據。原數據普遍是給 Unicode 碼，現在把碼轉好，存成 utf-8 格式。 官網對數據有說明。

從 Unihan_DictionaryIndices.txt 裏提取 kSBGY 的行，也就是宋本廣韻頁碼及頁內位置。

有兩種，都是漢語大字典的第一版。數據源是中硏院。 不帶 IRG 的數據，有時一字多個頁碼。 讀音條目是 Readings 裏面的。

有兩種，都是同文書局的頁碼。 不帶 IRG 的字數非常少。帶 IRG 的纔比較完整。

又一版本的大漢和辭典字頭。

kMorohashi 數據。

現漢 1983 版的頁碼和讀音。

kTang 數據。

kMandarin 數據。

衹有 GBK 的字。

kSemanticVariant 數據。收錄得不算多，但有出處也不錯。

在百度雲網盤上看到的一個 mdx ，基於李學勤版四庫大辭典。 源文件錯誤非常多，隨手修正約一百條，然後用 EmEditor 按頁碼排了順序——當然，和原書裏每一頁的順序有所不同。

從超星的目錄裏提取的，順便添加了詞序。 詞條不多，但解釋很詳盡，六百多頁纔四百多詞。 附帶做了繁化版。

http://bbs.gxsd.com.cn/forum.php?mod=viewthread&tid=954856

http://bbs.gxsd.com.cn/forum.php?mod=viewthread&tid=954856

提取自 ssid: 10444286 的 pdg 所附 BookContents.dat 。補上了 GBK 編碼不兼容的字，拆分了有又名的詞條。 此書爲二校版，三校版已出，頁碼差距較大。

https://github.com/cjkvi/cjkvi-dict/blob/master/swjz.xml 有很多字是問號，是個草稿的草稿。

http://www.byscrj.com/jmm/shuowen/dcd1.js retrieve date: 2015/08/20 各項目依次爲：字號，卷第，部首，北師篆，華師篆，字頭，反切音，解說，拼音，注音。 在線查閱：http://www.byscrj.com/jmm/shuowen/find_all.html

https://github.com/ksanaforge/kangxizidian/ 臺灣人王志攀點校的康煕字典，底本也是同文版。 該文件喜歡自作聰明，將不倫不類的臺灣現行標準強加於康煕字典之上。還有很多細節誤，比如 775 頁第 23 字，當作「𤷒」，該文件作「痺」。 現在把一堆 xml 文件合倂成一個，並去掉多餘信息。細緻修理結果則會作他途。

http://bbs.unispim.com/forum.php?mod=viewthread&tid=31657

也是百度上找來的，本來打包成 dz 了，現拆出並去掉 [trn][/trn] 符號（因爲沒什麼用）。

http://cc-cedict.org/wiki/ 釋義非常簡短的中英辭典，與其說是 dictionary ，不如說是 thesaurus 。對於漢語爲母語的英語學習者來說，是一部英文用詞相當地道的中翻英辭典。 另有 StarDict 格式版 http://simonwiles.net/files/cc-cedict/stardict-cc-cedict.tar.bz2 。

一個爲 EverEdit 服務的腳本，可以批量替換。

http://www.pkucn.com/viewthread.php?tid=175767

顧名思義，製作 dsl 的懶人腳本，衹要根據情況塡寫一下數據就行了。

顧名思義，給有頁碼無頁內詞序的索引添加詞序。

小學堂的查詢結果是 CC0 授權，也就是公有領域，抓了可以隨便用。那就抓唄。 可以自定義進程數，自動檢查已經抓過的頁面。