语料工具

Corpus Tools
ABBYY FineReader

ABBYY FineReader

ABBYY FineReader是一款专业OCR软件,可以进行文件识别、自动保留排版格式,后台批处理识别等功能。用户可以利用ABBYY FineReader进行对不可编辑文本的扫描,如图像、PDF等格式的语料,以获取Microsoft Word等格式的可编辑的文档。
天若OCR文字识别

天若OCR文字识别

天若OCR文字识别是一款界面简洁、功能强大的OCR识别软件,可将图片中的文本转换成可编辑文本,将表格识别后转换成可编辑表格,进行识别翻译、截图及截图标注等,处理图像或PDF等格式语料极为方便。
Teleport Ultra

Teleport Ultra

Teleport Ultra拥有直观的界面,可以在一个项目中处理多个服务器,使用正则表达式指定要爬行的包含区域和排除区域,批量获取网页数据信息。在语料搜集过程中,我们可以利用Teleport Ultra软件搜集网站中语料资源,根据软件向导的提示,经过简单的操作,便可以迅速获取大量资料。
TextForever

TextForever

TextForever可以用来进行文本HTML到TXT 的转换、文件切分、文档合并、文本提取、TXT 文件分行、HTML 代码整理等功能。在使用Teleport Ultra软件提取网页中的语料后,我们可以使用TextForever软件对所获取的语料进行格式处理,搜集所需格式的语料,两个软件的搭配使用使得语料搜集过程更加方便快捷。
Microsoft Word

Microsoft Word

微软Word是微软公司开发的一款文字处理软件。相信大家日常办公都会或多或少用到它,其实它还有许多隐藏技能,今天为大家介绍其中之一——语料清洗。

具体来说,利用Ctrl+H快捷键调出查找与替换对话框,点击“更多”,单击勾选“通配符”,借助通配符快速清洗语料。

EmEditor

EmEditor

EmEditor是一个轻量级、可扩展、易于使用的Windows文本编辑器,适用于Windows系统。EmEditor在64位和32位版本中都可用。我们可以在EmEditor软件中利用正则表达式快速清洗语料,具体操作是导入文本后,点击“搜索”,单击“替换”,再勾选“正则表达式”,利用正则表达式清洗语料。

正则表达式学习参考:

https://www.runoob.com/regexp/regexp-tutorial.html

在线正则表达式测试平台:

https://tool.oschina.net/regex

Notepad++

Notepad++

Notepad++是一款与EmEditor类似的软件,Notepad++是Windows操作系统下的一套免费的文本编辑器,有完整的中文化接口及支持多国语言编写的功能(UTF8技术)。同样,我们也可以借助它,并利用正则表达式清洗语料,操作与EmEditor类似。
斑斓科技小助手

斑斓科技小助手

斑斓科技小助手是一款基于VBA的Word小工具,与库酷和文档整理器不同的是,它可以直接在word中使用,功能丰富,提供各种快捷键,操作简单方便,为语料处理提供极大的帮助。
ABBYY Aligner

ABBYY Aligner

ABBYY Aligner 2.0是一个专业的工具对齐并行文本和创建翻译记忆数据库,提供了编辑对齐结果的功能,并可以保存为TMX格式,以便在CAT工具中进一步使用,可以提高工作效率。
Tmxmall

Tmxmall

Tmxmall是一款在线语料对齐工具,语料对齐方便用户调整对齐结果,其自主研发的智能对齐算法可以自动对齐原文,支持46种语言,2070种语言对,极大提高语料对齐效率。
AntConc

AntConc

AntConc是一款免费的单语语料检索工具,支持Windows, MacOS等系统,具有索引、索引定位、词丛、搭配、词表和关键词单等多种功能,界面简单,方便用户操作,可以极大提高语料检索的效率。
ParaConc

ParaConc

ParaConc是一款双语或多语平行语料库建设与检索工具,具有语料对齐、平行文本预览功能、平行文本检索、检索行排序、词频统计、搭配提取等功能,可以用于语料检索、对比分析、语言学习和翻译研究培训等。