基于《美国当代英语语料库COCA词频20000》提取的纯单词文件

最近在背单词，为了能提高效率，找到一个比较有名的《美国当代英语语料库COCA词频20000 》

来源应该是：http://www.wordfrequency.info/，当然是收费的。

免费的可以在这里下载pdf文件：http://vdisk.weibo.com/s/ctvvyfhPYLfj

由于是pdf文件，且包含大量其他不太有用的信息，就想到提纯。

花了半小时写了个小程序，对pdf文件进行提炼。

这个下载https://sourceforge.net/projects/pdfbox/?source=typ_redirect的相关pdf读取的dll。

 

 引用上面4个dll，代码如下

using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using System.Threading.Tasks;
using org.pdfbox.pdmodel;
using org.pdfbox.util;
using System.IO;

namespace ConsoleApplication6
{
    class Program
    {
        public static void pdf2txt(FileInfo pdffile, FileInfo txtfile)
        {

            PDDocument doc = PDDocument.load(pdffile.FullName);

            PDFTextStripper pdfStripper = new PDFTextStripper();

            string text = pdfStripper.getText(doc);

            StreamWriter swPdfChange = new StreamWriter(txtfile.FullName, false, Encoding.GetEncoding("gb2312"));

            swPdfChange.Write(text);

            swPdfChange.Close();

        }
        static void Main(string[] args)
        {
            pdf2txt(new FileInfo(@"C:\Users\pchome\Desktop\美国当代英语语料库COCA词频20000.pdf"), new FileInfo(@"C:\Users\pchome\Desktop\output.txt"));

        }
     
    }
}

生成output.txt文件，里面包含了pdf文件里的所有内容，不过是排除了格式的。内容大致如下：

然后按照文本文件的排版规律，写了个提纯程序：

using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using System.Threading.Tasks;
using org.pdfbox.pdmodel;
using org.pdfbox.util;
using System.IO;

namespace ConsoleApplication6
{
    class Program
    {
        static void Main(string[] args)
        {
            FileStream fs = new FileStream(@"C:\Users\pchome\Desktop\ok.txt", FileMode.Create);
            StreamWriter sw = new StreamWriter(fs);

            StreamReader sr = File.OpenText(@"C:\Users\pchome\Desktop\output.txt");
            string str = "";
            int counter = 0;
            string word;
            string chix;
            
            while ((str = sr.ReadLine()) != null)
            {
                var lst = str.Split(' ');
                try
                {
                    int seq = Convert.ToInt32(lst[0]);
                    if (counter + 1 == seq)
                    {
                        counter += 1;//词频
                        word = Convert.ToString(lst[1]);//单词
                        chix = Convert.ToString(lst[2]);//词性
                        string content = counter.ToString() + " " + word + "    " + chix;
                        sw.WriteLine(content);
                        Console.WriteLine(content);
                    }
                }
                catch
                {
                }
            }

            sr.Close();
            //清空缓冲区
            sw.Flush();
            //关闭流
            sw.Close();
            fs.Close();

        }
    }
}

最终得到了一个包含 词频 + 单词 + 词性 的文本文件。

可以各位同学导入到其他背单词软件里，进行学习了

 

 文件下载