<center>03-11 周一 单词提取步骤</center>
| 时间 | 版本 | 修改人 | 描述 |
| --------------------- | ---- | ------ | -------- |
| 2024年3月11日09:32:49 | V0.1 | 宋全恒 | 新建文档 |
| | | | |
| | | | |
# 简介
## 工作流
 积累是很重要的事情，楼主最近刚刚完成了一篇关于Large Language Models的综述，这个综述一共83页吧，读起来速度就不是很快，又没有什么高明的办法，就只能一点一点，逐行的去阅读，而且在阅读过程中，总是会有生词出现，为了快速记忆这些生词，楼主就去找了单词相关的应用，最终形成了如下的工作流：
- 在Zotero中阅读文献的时候，对生词进行着色，楼主选择了红色，短语选择的颜色为蓝色。
- 导出这些生成，然后转换成逐行的格式。
- 将生词导入到不背单词App，进行艾宾浩斯的记忆，专项提高。
## 依赖的软件
 在单词导出的过程中，主要是包含如下的软件：
1. Zotero，对生词进行标记
2. VS Code， 使用正则表达式对文本中生词进行处理
3. 不背单词，网页，因此只要有浏览器就可以。
4. 搜狗输入法，保存成短语，方便下次提取相关的正则表达式
# 操作步骤
## 拷贝Zotero中的单词
<img src=https://cdn.jsdelivr.net/gh/yanchenmochen/imgs/imgsimage-20240312101230980.png>
 在我们阅读paper时，一般会选择一个文献管理工具来进行阅读，楼主推荐大家使用Zotero进行文献的阅读，这是因为它有许多的插件，非常好用。诸如翻译插件，着色，标签。好的工具能够提升阅读的效率，在整理时会有许多的助力。
 楼主在阅读论文的时候，因为最近才开始读，所以会有很多的生词，是将单个生词标记成红色的。
## 提取单词“pertinent”
 首先是根据单词的格式提取特征，其中具体的单词及含义的格式有如下几种：
```bash
“pertinent” ([Zhu 等, 2023, p. 1](zotero://select/library/items/J3S5Q2PY)) ([pdf](zotero://open-pdf/library/items/FTR3LHEG?page=1&annotation=RYLAIUFP)) pertinent
英 [ˈpɜːtɪnənt]
美 [ˈpɜːrt(ə)nənt]
adj. 切题的，相关的
“implications” ([Zhu 等, 2023, p. 1](zotero://select/library/items/J3S5Q2PY)) ([pdf](zotero://open-pdf/library/items/FTR3LHEG?page=1&annotation=GWMLFT4K)) implications
英 [ˌɪmplɪˈkeɪʃ(ə)nz]
美 [ˌɪmplɪˈkeɪʃ(ə)nz]
n. 暗指，暗示；蕴含，含义；（可能带来的）影响（implication 的复数）
```
 因此，我们首先将包含单词“pertinent”的行中，处理成仅仅包含单词内容。
<img src=https://cdn.jsdelivr.net/gh/yanchenmochen/imgs/imgsimage-20240312101704170.png>
 在VS Code中点击Replace all即可将上述的单词替换成如下的形式：
```bash
pertinent
英 [ˈpɜːtɪnənt]
美 [ˈpɜːrt(ə)nənt]
adj. 切题的，相关的
implications
英 [ˌɪmplɪˈkeɪʃ(ə)nz]
美 [ˌɪmplɪˈkeɪʃ(ə)nz]
n. 暗指，暗示；蕴含，含义；（可能带来的）影响（implication 的复数）
```
## 去除中文行
 在经过上述处理中，可以将单词提取成为单独的一行了，因此，接下来处理发音行和释义行。可以看到都有中文，因此将含有中文字符的行删除即可
```bash
propose
英 [prəˈpəʊz]
美 [prəˈpoʊz]
v. 提议，建议；提出（理论或解释）；提名，推荐；计划，打算；求婚；（向立法机构或委员会）提交（动议）；提议祝（酒）
[ 第三人称单数 proposes 现在分词 proposing 过去式 proposed 过去分词 proposed ]
proximity
英 [prɒkˈsɪməti]
美 [prɑːkˈsɪməti]
n. （时间、空间、关系的）靠近，亲近
```
本次提取的过程是将行内包含中文字符的行去除，比方说包括发音的英， 美以及中文注释
 使用替换功能，使用如下正则表达式匹配包含中文字符的行
```bash
.*[\u4E00-\u9FA5]+.*
```
<img src=https://cdn.jsdelivr.net/gh/yanchenmochen/imgs/imgsimage-20240311093643362.png>
 可以看到，一共有1083行包含了中文，这些行是我们要删除的。
## 移除空行
 接下来将使用vscode将空行移除
<img src=https://cdn.jsdelivr.net/gh/yanchenmochen/imgs/imgsimage-20240311094433544.png>
> 注：由于不背单词在解析的时候，逐行解析，所以有空行也是没有关系的。
```bash
\n\s*\n
```
 在去除了空行之后，就成了下面的样式了
<img src=https://cdn.jsdelivr.net/gh/yanchenmochen/imgs/imgsimage-20240311094714836.png>
## 检查移除不是单词的内容
 经过处理后的内容，可能包含一些特殊情况，手动删除。
```bash
halving
['ha:viŋ]
amplify
susceptible
lossless
uneven
predominantly
mandates
n．
confines
intractable
``` 如上文出现的n.、['ha:viŋ] 手动移除即可。
## 将这些常用的正则匹配保存进入搜狗输入法
 记住，如果一个问题，你解决过一次，那很有可能，你还是会遇到同样的场景的。所以，将这些正则字符串保存起来，方便提取，是一个不错的方式。
<img src=https://cdn.jsdelivr.net/gh/yanchenmochen/imgs/imgsimage-20240312102627926.png>
## 导入不背单词
 接下来就是导入浏览器，将单词导入到[不背单词](https://www.bbdc.cn/)。登录，然后自制词书，即可。
<img src=https://cdn.jsdelivr.net/gh/yanchenmochen/imgs/imgsimage-20240312103802833.png>
 不再赘述
# 总结
 最近自己也是疯狂的在积累单词，自己上周日刚看完了一本东野圭吾的白夜行，整理了[人物关系图]。在阅读paper的时候，就意识到了结构structure的重要性，所以笔者决定再次进行金字塔原理的阅读，而且我再阅读的时候，还能感受到当时我阅读Martin Fowler的《重构 改善既有代码的设计》所带给我的感动，我感觉这本书也是一个这样的书，书里面包含了深刻的洞见，等我看完再分享分享。
 最近晚上睡眠的时候，睡前也会头脑风暴一下学习的单词，希望能够积累更多的生词吧，然后能够多读一些paper，2024年。
