再说Mdx的字典文件处理

再说Mdx的字典文件处理

上次说了Mdx的字典文件的处理并不难，难的是出现个例就是麻烦事。如音标的处理。在《21英汉大词曲》里的音标用方括号来标识。但在这本词典里，用方括号的还不止这一种，还有别的如“[口语]”、“[美国英语]”、“[俚语]”等等，在EmEditor里查找：\[[^一-龥]{0,50}\]可以查找所有的音标，但第一个就出例外了。第一个是 a [强ei,弱ə]就是例外。还有多少个例外呢？

就《21英汉大词曲》而言，经过粗略的整理，呈下图中的格式：

图一

第一种，单词+Tab+单词+1……

第二种，单词+Tab+单词+词性.1……

第三种，单词+Tab+单词+音标+1……

第四种，单词+Tab+单词+音标+词性.1……

但作为一个三维数据表，我需要的是这样

图二

所以，很多的努力都是要把图一的柱子变成图二。

用emEditor来做，方便是方便，就怕出现例外。实际上也确实存在例外。以至于到现在为止我的词典数据都是残缺的。为什么残缺？就是因为出现了例外。好在例外毕竟是少数，也就将就用了。

……

有时候，灵感远比技术值钱得多。一旦灵感来了，技术就是小菜一碟。

所有的mdx字典文件都有一个特点，就是主单词（或被查询词）后面都有一个Tab，这为做成二维数据表提供了极大的方便。

将mdx文件稍作处理后，成下面图三的样子：

图三

保存好退出。

用Access导入。为什么要用Access导入成数据表？过程中发现，从TXT文本导入数据表，Access比Sql Server好用。所以要过度一下。

成功后再导入到SQL

图四

因为要把F2里与F1相同的内容处理掉，用replace()函数。但不能直接用。为什么？还是怕出现例外。比如说，主单词是abandon，

图五

看到在abandon这个词条里有那么多个abandon，如果现在用replace()，就会把所有的abandon都替换掉了。上面说的灵感来了！就是把词条中的第二个abandon再加上几个字符放到字段F3里。

update [GYYQ].[dbo].[21世纪大英汉词典]

set f3=left(f2,len(f1)+5)

先查询一下看看结果：

图六

对！要的就是图六的这个效果。

接下去要把F2中与F3相同内容的部分去掉，等处理完后再加回来。

update [GYYQ].[dbo].[21世纪大英汉词典]

set f2=replace(F2,F3,'')

结果如图七

图八

这时候就可以把F3中与F1相同的内容替换掉了。

update [GYYQ].[dbo].[21世纪大英汉词典]

set f3=replace(F3,F1,'')

处理好的如下图：

图九

再把处理好的内容加回到F2

图十

这就是想要的格式了。不过还差一步，要把音标抽出来。所以，再次把F3替换成Null备用。

注意：SQL的Charindex()函数查找的位置是字段中第一个出现的位置。现在要把音标抽出来，就要定位字段F2中第一个出现“]”的位置，即：Charindex(‘)’,F2)。但这样就把所有的“]”都定位出来了。

图十一

很显然，图十一不是想要的结果。

观察F2目前的数据，看到那些有音标的词条都以“[”开头。但在SQL里，where f2 like ‘[%’ 是不行的。需要一个转义，即

where f2  like '/[%' escape '/'

图十二

这才是想要的结果。

update [GYYQ].[dbo].[21世纪大英汉词典]

set f3=left(f2,charindex(']',f2))

where f2  like '/[%' escape '/'

图十三

接近尾声了！还差最后一步，就是用F3的内容去年F2里相同的，即把现在F2中的音标去掉。

大功告成！

图十四

至于其它如把变形词抽出来，那是另一个需要解决的问题了。