如何获取国内语料库（国内外常见语料工具一览）

语料库是语料构成的集合，要进行语料库的处理和应用离不开语料工具。接下来，小编为大家介绍一下语料处理步骤中所需的几类常用工具。

1、语料采集工具

我们建语料库所需的语料可能有多种来源，如：网页、电子文档、纸质材料等。因此在采集不同来源的语料时我们需要使用不同的工具。

其中，ABBYY FineReader、天若OCR文字识别等OCR识别软件可用于处理纸质材料或其他不可编辑的材料；Teleport Ultra, TextForever等软件常用于处理网页材料。

1）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（如下图所示），以获取Microsoft Word等格式的可编辑的文档。

官方下载地址：https://abbyy.store/

ABBYY FineReader软件标志

ABBYY FineReader软件界面

2）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，基本操作如下图所示。

官网软件下载：https://ocr.tianruo.net/

天若OCR文字识别软件标志

天若OCR文字识别软件界面（可参见官网教程）

3）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。

官网软件下载：

https://www.tenmax.com/company/downloads.htm

Teleport Ultra软件图标

Teleport Ultra软件批量采集特定网址中的语料

4）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。

下载途径参考：

https://pc.qq.com/detail/8/detail_3448.html

TextForever软件图标

TextForever软件界面

2、语料清洗工具

语料清洗指去除语料中的噪音，包括不符合规范的格式、符号、内容等。北京外国语大学中国外语教育研究中心专职研究员许家金博士，将格式清洗错误分为文字符号类、空格段落类、标点符号类。

语料清洗过程中可涉及的软件有Microsoft Word、EmEditor、Notepad 、文本整理器、库酷、斑斓科技小助手等。

1) 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（如下图所示），点击“更多”，单击勾选“通配符”，借助通配符快速清洗语料。

Word通配符学习参考：

https://www.zhihu.com/question/334555512/answer/748239801

“Ctrl H”快捷键调出查找与替换对话框

2) 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”（如下图所示），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

EmEditor软件图标

EmEditor软件中利用正则表达式

3) 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。

官网软件下载：https://notepad-plus-plus.org/downloads/

Notepad 软件标志

Notepad 软件利用正则表达式

4）文档整理器

文档整理器是一款使用方便的语料清洗软件，内含多种快捷键(如下图所示)，不需要手动输入正则表达式或通配符进行语料清洗，功能丰富，操作简单，是一款较好语料清洗工具。

文档整理器标志

文档整理器软件界面

5）库酷

库酷是一款功能丰富的语料清洗软件，含多种快捷键（如下图所示），用户只需要根据自身需求点击对应快捷键即可，清洗语料速度快，也是一款不错的语料清洗软件，值得推荐。

库酷软件标志

使用库酷软件清洗语料界面

6）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（如下图所示），操作简单方便，为语料处理提供极大的帮助。

官方软件下载：http://edu.bon-lion.com/bon-lion-helper/

斑斓科技小助手在word中的显示

3、语料对齐工具

语料对齐一般指的是双语或多语文本的平行对齐，一般以“一对一”对齐为主，也存在“一对二”或“一对多”平行文本的对齐，目前应用最为广泛的语料对齐是句级语料对齐。

常见的语料对齐工具包含两类：一类是CAT软件自带的工具，包括Trados的对齐文档、memoQ的Livedocs等，另一类是独立的工具，包括ABBYY Aligner、Tmxmall等。一般来说，CAT自带的语料工具有些局限，这里主要介绍独立的语料对齐工具。

1）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。

ABBYY Aligner软件标志

ABBYY Aligner界面

2）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。

官方下载地址：https://www.tmxmall.com/

Tmxmall工具标志

Tmxmall 工具界面

4、语料检索工具

语料检索指的是对语料中的词、句或结构进行检索，可以获得词频、词密度、词表、搭配、关键词单等，以便对语料进行分析研究。在此过程中有AntConc， ParaConc等可供使用。

1）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。

官方下载地址：

https://www.laurenceanthony.net/software/antconc/

AntConc软件标志

AntConc软件检索界面

2）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。

官网下载地址：https://paraconc.com/

ParaConc软件标志

ParaConc软件界面

5、总结

语料工具有很多，在语料采集、清洗、对齐、检索等各个过程有不同的软件可供我们使用。面对形形色色的工具，我们不需要贪多，要选择适合自己的工具并熟练运用，形成自己的一套语料处理体系，无论是对日常学习，还是对学术研究，都有重要的意义。

关注微信公众号“语言服务行业”，“翻译技术教育与研究”，了解更多语言服务行业与翻译技术相关的资讯和洞察~

,