338.collins字典解析

以前试过将collins字典的mdx格式中的信息，提取为单词数据库，可是以前的文件全部丢失，这次做个记录。

首先用谷歌搜索mdx转换为txt，有个字典转换的工具，下载后转换为txt。

因为后缀格式是txt，但实际内容是xml，但是用于网页显示，所以用beautifulsoup4（bs4）好一点。然后将后缀改为html，便于更好的用bs4处理。

打开仔细分析格式，发现有很多标签，我们想用的就是单词本身、词义的序号、词性、词义、例句。以abandon为例。

在纯文本中并不能很清楚的看到结构，所以我们新建一个文本文档，然后把内容拷贝进去，再改名为.html后缀。接着用chrome浏览器打开文件看看，出现了排版好的单词解释。我们需要看的是结构，页面点击右键，选择【检查】。这时会出现xml的布局。

首先最上层的结构是第一个词是单词本身，然后是星级。这两个都只是使用了font标签，修改了字体。

第二个是四层嵌套的div分区。class分别是tab_content，part_main和part_list，collins_content。前一层包含后一层，并没有其他内容。

在collins_content中，包含有单词所有的词义，有几个词义就有几个class=collins_en_cn的div分区，同时还有一些div style = display的附加性说明。

在所有collins_en_cn中，有两大部分，一部分是单词的词义本身，另一部分是例句。词义本身是一个div分区，并没有class，只是规定了style="display:block;background-color:#f5f7fc;"。例句是无序列表ol。

对于例句ol我们暂时不关注。只关注当前需要的星级，词义序号，词性，中文词义。当然这个词典还没有音标和发音，这个后面再解决。但是给多条例句，一条英文词义，音标和发音都要留下数据库的位置。发音库也要自己找，网上有流传的14200个单词语音库，是来自韦氏字典，总共500多M。音标可以在Collins COBUILD Advanced Dictionary 6th.mdx中找到。现在资源都齐了，就是提取和合并。

继续回到第一个collins_en_cn的词义div，其中分为多个span，第一个是序号，第二个是词性，第三个是中文解释。英文解释暂时不管。

1.
VERB 动词
  离弃；遗弃；抛弃 

现在我们关注的元素，都已经分析清楚了，下一步就是coding.