语料库简单dye 第二讲

2008/7/31

语料库简单DIY 第二讲语料库软件初探--

语料库软件初探--MonoConcPro 2.2

本软件是Athelstan开发小组https://www.360docs.net/doc/1f10337104.html,/ ，于1996年开发的语料库比较检索工具。目前，我的服务器上提供学术性下载，下载地址： http://vu.flare.hiroshima-u.ac.jp/whistle/corpus/MoconcPro2.

2.rar

（本软件为学术交流使用，所有权归本软件开发小组所有，一切商务性盈利目的的违法使用，所带来的连带责任关系与本人及本论坛无关。请慎重下载，小心使用！！！）

功能介绍：

软件主界

面

基本功能:

MonoConc Pro 2.2 的软件界面比较简单。适合语料库初学者和初级研究人员使用。

本软件据作者的研究，其内部主核使用UTF-8编码，基本支持欧洲几种主要语言。当然，其主要的应用领域还是针对英语。本软件主要处理的文本素材是以TXT结尾的记事本文件，当然，本软件还可以导入RTF文档和其他格式的操作系统默认文档格式。不过，从DIY的角度来说，我们自己收集到的语料，为了免除格式，字体，行距等等文本要求，最好全部使用TXT文档，方便，省

事！用了都说好！（谁用谁知道）

我们按照自己的研究目的，研究方向，收集我们所需要的语料素材，具体的收集方法因人而异。可以从报纸杂志的电子文文档上直接下载，也可以从网站上直接下载整理好的TXT版本的小说，资料素材等，还可以直接从各大语料库中检索需要的语用素材，然后拷贝粘贴到TXT文本中。由于MonoConc Pro

强大的跨文档处理系统，一次可以同时导入多个TXT文档进行比较处理，所以我们可以把文章或者资料按照自己喜好的分类标准进行分类，然后存成不同的TXT文件名。检索的时候，只需要同时导入这些文件就可以了。（异常强大~）下载好软件，解压缩，然后打开MP22.EXE文件，你就可以看到上图那个简单的主界面了。

之后，选择File→Lord Corpus File(s)，找到你需要导入处理的TXT文档，一个或者多个都可以，然后选择[打开]。指定的TXT文件就被全部导入进MonoConc Pro中了。

如果导入了过多的TXT文档，比如您导入了莎士比亚全集+马克思选+恩格斯选+列宁选+毛泽东选+邓小平选.....（不能否认，真的有这样的朋友存在）。那么，为了方便您查询检索结果所出现的文章，你可以选择File→View Corpus File/URL，这样就能看到查询结果所在的文章，还可以删除不需要的文章，或者添加新的文章，非常简单。

*这里的URL，指的是在HTTP或者FTP上，可以直接打开的文字页面的链接。一般朋友们DIY的语料库都是存在本地硬盘上的，所以基本上可以无视这个选项。不过，将来我们的个人语料库要实现点对点，点对多的平台连接。连接后，我们就可以相互查询对方个人语料库中的资料，此时在导入对方语料库中的文档的时候，就要用这个了。（这个目前还很遥远，大家还是踏踏实实做自己的DIY语料库吧！）

当我们要删除所有的文章的时候，这个时候仅仅关闭文章的窗口，是不能实

现删除文章内容的。关闭了窗口，只是你看不见了而已，但是文章实际上已经写入了内存，你必须将它清除出内存，才能在搜索的结果中排出掉不需要使用的文章。这个时候，你就需要File→Unload Corpus功能了。这里Unload只是卸载掉内存中的TXT文档，不是删除你的文章，所以不要害怕，大胆卸。

以上就是MonoConc Pro操作的基本功能。这里需要说明一个问题，MonoConc Pro的File里面有一个Language的选项，里面你可以发现软件支持很多语言。这里所谓的支持，只是显示TXT文档时所支持的语言编码。也就是说，在MonoConc Pro里面是可以显示字母体系文字，和汉字体系文字的。但是，但是，但是！在内存中处理的时候，软件是使用UTF-8欧洲语言进行处理的（ANSI），所以无法直接处理汉字编码Unicode或者ASCII编码。不过，通过WORD或者其他的专码工具，也可以进行操作，但是本人研究了很多编，对于汉字编码的处理，系统总是出现很多错误，所以建议不要使用这个软件来处理汉字文本。当然，有钻研精神的人，还是很鼓励的。没有钻研精神也不要怕，MonoConc Pro介绍完了之后,我们会介绍专门处理汉字编码的软件Antconc3.2.0W，要好好支持我，我才讲哦！

*有的朋友在打开自己所整理的TXT文本文件时，在MonoConc Pro进行操作的时候，会出现软件报错，或者软件自动关闭等状况。这就是我在上面提到的编码问题。在我们进行MonoConc Pro操作之前，我们有必要将我们的TXT 文档，用写字板打开，然后选择另存为，编码选择ANSI ，然后用新保存的文件进行MonoConc Pro操作，就会避免这个问题；当然也可以使用Word等更加强大的软件进行编码转换。如果在这一点上有疑问，请联系我。

--------------------------------------------------课间休息

------------------------------------------课间休息

-------------------------------------------------

进阶功能介绍：

前半节的课程上，我们认识了MonoConc Pro软件的基本功能。现在我们来学习今天课程的精华中的精华中的精华部分。要好好听，不要走神哦！ Word List 功能

这个功能看名字很简单，但是实际上这是一个很了不起的功能。首先我发上来两个图，大家可以参考一下。

第一副图是对于英文文章Word List---词汇频率出现的统计；第二幅图是对于汉语文章Word List 的统计结果。从第一幅图上我们就可以很清楚的看到（可能这里看得不是很清楚），软件能够把英文单词准确地提取出来，按照单个词来统计频率。而第二幅图就明显地看到，软件不能把汉字处理成为单个汉字来统计，

那么Word List

当你导入文件之后，你会发现，主页

面的登陆画面上，

这个选项。这个也是一个很有用的选项。它会将Word List的统计结果，

按照字母表顺序排列，这样你就可以看到，同一个字母开头的词汇，哪些词出现的频率较高，对于词性研究，词类对比，使用对比等，想必是非常有用处的吧。我也不是语言学的专家，有用没有用，还需要大家自己的判断。

Frequency下面还有一个选项，Frequency Options。这个选项主要对于我们的频率检索做一些简单的设定。里面规定了，结果显示行数，最低频率数，最高频率数，大小写区别，TAG区别等，没有特殊的需求，初学者一般不要修改这个选项比较好。

好了！我们现在已经学习了Word List的制作方法，也懂得了一些查询的选项。在开头我也提到了，语料库软件的学习，其实也是培养一种理性地逻辑思维能力。用这种逻辑思维去思考和设计语料库检索处理软件，来为自己的语料研究服务。刚才我们讲了单词频率的统计。那么，我向大家提出一个问题，如果遇到了两篇巨长的文章，我们要同时比较某个单词在这两篇文章中的出现频率，应该怎么做呢？！

细心的你，一定注意到，在Frequency

项。这是一个伟大的选项。虽然实现的是一个很不起眼，Save 存储这样的小破功能。但是，对于后来我们的比较研究，确是必不可少的一步。

在我给大家提供的下载文件里面，我放入了很多DEMO用的TXT文档文件在SIMPLE文件夹中，还有一篇巨长的小说《罪与罚》。这都是用来讲解和大家实践用的。

首先，我们运行软件，导入SIMPLE中的TXT文档（poor

folk.txt,demo.txt,demo2.txt,demo3.txt）！对！就是不要那个《罪与罚》。

然后我们统计这四篇TXT文档的Word List。具体统计的操作方法，不会的朋友看上面的教程。

然后我们就看到了下面这个图:

然后我们选择Frequency→Save as File 这个时候会出现一个对话框，这个对话框是提示需要用多少行来表示所统计的数据，一般我们默认为0，也就是用无限行来表示。然后选择OK，这个时候出现保存程序的对话框。我强烈建议，大家把文件不要存成TXT，存文件的时候，把保存类型选择为All files。然后我们给文件随便命名为mantou。这样就保存成了一个叫做mantou，但

是不能直接运行的程序文件。为什么这样？呵呵！这是一个小诀窍。使用All files

还可以用SQL，MYSQL，ACCESS等数据库文件打开这个叫做mantou

好了，继续！

现在我们使用Unload Corpus，卸载掉驻留内存的所有文档，然后打开罪与罚.txt （抱歉里面使用了日语，将就吧）。然后对这一篇文章进行Word List

频率统计。就会出现下图：

同样地，为了保险起见，我们也把这篇文章的Word List 存成名叫qianqian 的无指定程序运行的文件。

这个时候，我们选择Frequency→Corpus Comparison，在打开的对话框的文件类型中选择All Files。然后我们就可以看到mantou那个文件了，选

中它，然后打开。这个时候我们就能看到下面这个图。

多数比，也就是复数文章以上的，针对指定单词的出现频率和出现次数的比较的话，那么最好是用EXCEL打开多个保存Word List的文件，直接在EXCEL上做统计，表格，图形处理，会比较直观（大家现在也明白我要把文件保存成那样

哦。至于要保存什么格式，大家自己决定吧！有了这些统计和比较的表格，是不是我们的语言研究就会更加理性一些呢？

有兴趣的朋友，还可以尝试看看Frequency下的Sort命令，这个是对于比较统计结果的表格进行排列顺序以及显示方式的调整。

好了~罗嗦了一下午，也不知道大家感觉如何？是不是很久没有听计算机课的感觉？

在今天的课里，我们主要讲解了MonoConc Pro 2.2的基本使用功能，并介绍了MonoConc Pro的一种进阶处理功能。通过本次课的学习，我希望让大家从宏观上，对于DIY语料库时，所必需的语料检索和处理工具有一个大的了解。不要看到电脑程序就头疼，其实这些东西都是人开发出来服务于人的，如果让你感到困惑了，那就违背了软件开发的初衷了！下节课我们将继续研究MonoConc Pro中，针对语料库中的语料定性，定向，定类等方面的检索和处理。程序是很枯燥的，我尽量用通俗易懂的语言来讲解，希望大家能够认真学习。如果有疑问和需要帮助，请在QQ群里直接提出来，我会尽力帮助大家解答。

版权所有，如果需要转载请注明出处和作者！谢谢