簡(jiǎn)介這份韓語(yǔ)詞匯表資源包面向韓語(yǔ)學(xué)習(xí)者、詞典研究與自然語(yǔ)言處理開(kāi)發(fā)者提供可直接用的韓語(yǔ)詞條原始數(shù)據(jù)與結(jié)構(gòu)化詞典。壓縮包內(nèi)共五份文件含兩個(gè)JSON詞典文件、兩個(gè)TXT單詞列表和一份Markdown說(shuō)明文檔整體體積約28.37MB。wordslist.txt收錄完整單詞列表包含重復(fù)項(xiàng)wordslistUnique.txt為去重后的單詞集合兩個(gè)JSON文件分別對(duì)應(yīng)整理前后的詞條與釋義描述結(jié)構(gòu)清晰便于用Python、JavaScript等語(yǔ)言直接解析。資源還附帶README使用說(shuō)明并給出查詢國(guó)立韓國(guó)語(yǔ)標(biāo)準(zhǔn)韓語(yǔ)詞典的示例鏈接方便用戶核驗(yàn)詞條拼寫、釋義及來(lái)源也可借此擴(kuò)展更多詞條。目前已有391人學(xué)習(xí)下載適合需要構(gòu)建韓語(yǔ)詞庫(kù)、制作背詞應(yīng)用、進(jìn)行詞匯頻率統(tǒng)計(jì)或基礎(chǔ)文本分析的學(xué)習(xí)者與開(kāi)發(fā)者可顯著減少數(shù)據(jù)收集與清洗的時(shí)間成本。1. korean_wordlist 是什么一份干凈的韓語(yǔ)詞庫(kù)能幫你做什么做韓語(yǔ)學(xué)習(xí)工具或者文本處理的時(shí)候最先攔住你的往往不是算法而是一份能直接用的韓語(yǔ)詞匯表。korean_wordlist 這個(gè)韓語(yǔ)詞匯表項(xiàng)目就是把散落在 TOPIK 考綱、教材單詞表和語(yǔ)料庫(kù)里的韓語(yǔ)詞條整理成帶讀音、詞性、釋義和等級(jí)的 JSON 詞庫(kù)讓拿到手的人省掉寫爬蟲和清洗數(shù)據(jù)的體力活。如果你正準(zhǔn)備做背單詞 App、詞典查詢接口、歌詞或新聞生詞標(biāo)記這個(gè)方向值得先評(píng)估清楚再投入。這類詞匯表的價(jià)值不在于“有多少個(gè)詞”而在于字段是否規(guī)范、等級(jí)是否可排序、詞元是否做了原形歸一。我見(jiàn)過(guò)不少?gòu)牧闩涝~表的團(tuán)隊(duì)光清洗就耗掉兩周最后還被“同詞多義”“活用形態(tài)匹配不上”這些細(xì)節(jié)卡住。這篇筆記會(huì)先把詞表的結(jié)構(gòu)講明白再給出加載、篩選、導(dǎo)出和覆蓋率分析的腳本最后列幾個(gè)我實(shí)際踩過(guò)、你大概率也會(huì)碰到的坑。2. 詞匯表的數(shù)據(jù)組織方式字段設(shè)計(jì)、來(lái)源與清洗邏輯把韓語(yǔ)詞匯表當(dāng)普通詞表用最容易翻車的點(diǎn)就是字段不統(tǒng)一。有的詞條只有韓語(yǔ)和中文沒(méi)有詞性沒(méi)有等級(jí)連讀都沒(méi)有這種數(shù)據(jù)只能做最粗糙的詞典展示一旦要做等級(jí)篩選或者按詞性分組立刻歇菜。所以拿到任何一份 korean_wordlist先搞清楚它的字段設(shè)計(jì)再?zèng)Q定怎么接入自己的業(yè)務(wù)。2.1 一個(gè)詞條該有哪幾個(gè)字段詞元、讀音、等級(jí)與釋義的取舍一個(gè)最少可用、能支撐大部分場(chǎng)景的詞條至少需要五個(gè)字段word 存韓語(yǔ)原形romanization 存羅馬音meaning 存中文釋義pos 標(biāo)詞性level 標(biāo)難度等級(jí)。這五個(gè)字段已經(jīng)足夠覆蓋“查詞、背單詞、按等級(jí)篩詞”三件事。如果要做更深的 NLP 處理建議再加 example 例句和 vtype 動(dòng)詞活用類型。詞元的選擇直接決定后續(xù)匹配效率。韓語(yǔ)詞典按原形收錄詞條比如“??”是原形而“???”“??”“???”都是它的活用形態(tài)。詞表里必須存原形查詢階段再通過(guò)活用映射或詞形還原把文本歸一到原形。如果當(dāng)初存的是“???”用戶查“??”就永遠(yuǎn)匹配不到這是詞匯表項(xiàng)目最常見(jiàn)的硬傷。等級(jí)字段建議直接用“TOPIK1”到“TOPIK6”這種可排序字符串不要用“初級(jí)”“中級(jí)”“高級(jí)”這種模糊標(biāo)簽。原因是字符串可以按字典序或自定義映射做篩選而“初級(jí)”這類標(biāo)簽無(wú)法直接參與排序邏輯。下面是一個(gè)典型詞條結(jié)構(gòu){ word: ??, romanization: hada, pos: verb, level: TOPIK1, meaning: 做進(jìn)行, example: ??? ??. }這個(gè) JSON 示例里example 字段不是必選。做純查詢工具可以不要但做學(xué)習(xí)類 App 最好保留因?yàn)槔淠軒陀脩衾斫馍舷挛?。另外一個(gè)取舍是 romanization如果你只做韓語(yǔ)文本分析羅馬音是冗余字段如果你面向初學(xué)者這個(gè)字段就是剛需因?yàn)椴皇撬杏脩舳际炀氻n文讀寫。2.2 從原始詞表到干凈詞庫(kù)清洗和去重的三個(gè)關(guān)鍵步驟常見(jiàn)詞表來(lái)源有三類TOPIK 官方公布的考綱詞、教材單元詞匯表、從語(yǔ)料庫(kù)按詞頻抽出的高頻詞。官方考綱詞干凈但字段少教材詞表帶著單元編號(hào)和課文例句語(yǔ)料庫(kù)詞表則混入大量人名地名。三類數(shù)據(jù)合并之后清洗工作基本逃不掉。清洗經(jīng)驗(yàn)可以歸納為三步。第一步做格式規(guī)范化把全角半角、多余空白、行尾符號(hào)統(tǒng)一處理第二步以 word 字段為主鍵去重同一個(gè)詞元的多條釋義用分號(hào)合并第三步削除空值條目比如沒(méi)有釋義、沒(méi)有讀音的“死詞”。import re from collections import defaultdict def normalize_text(text: str) - str: 規(guī)范化文本去除兩端空白把連續(xù)空格折疊為單個(gè) return re.sub(r\s, , text.strip()) def dedup_entries(entries: list[dict]) - list[dict]: 以 word 為主鍵去重并把同一詞元的釋義合并 merged defaultdict(list) for entry in entries: word entry.get(word, ).strip() if word: merged[word].append(entry) result [] for word, items in merged.items(): base items[0].copy() meanings [item.get(meaning, ) for item in items if item.get(meaning)] if meanings: base[meaning] .join(meanings) result.append(base) return resultnormalize_text 里的正則\s會(huì)把換行、Tab 和連續(xù)空格統(tǒng)一折疊成單個(gè)空格這是清洗的基本功。dedup_entries 的主鍵默認(rèn)是 word如果你的詞表里有同詞形不同詞性的條目比如“??”既是動(dòng)詞也是助動(dòng)詞的搭配那主鍵就要改成 (word, pos) 二元組否則會(huì)錯(cuò)誤合并。這個(gè)細(xì)節(jié)是最容易被忽視的。2.3 韓語(yǔ)詞元化為什么動(dòng)詞必須和詞尾分開(kāi)存韓語(yǔ)動(dòng)詞和部分形容詞的活用形態(tài)非常豐富。以“??”為例常見(jiàn)變體有“??”口語(yǔ)體、“???”正式禮貌體、“???”過(guò)去時(shí)。如果詞表只存原形“??”在文本里遇到“???”時(shí)做字符串完全匹配是必定失敗的而做包含匹配也匹配不上因?yàn)椤???”的字符序列里并沒(méi)有連續(xù)的“??”。嚴(yán)謹(jǐn)做法是對(duì)文本做形態(tài)分析把“???”還原成詞干“?”再去詞表比對(duì)。但這依賴韓語(yǔ) NLP 庫(kù)對(duì)純?cè)~匯表項(xiàng)目來(lái)說(shuō)偏重。折中方案是把常用活用形態(tài)直接預(yù)置進(jìn)詞表用 forms 字段枚舉出來(lái)查詢時(shí)先查原形、再查 forms兼顧了精度和實(shí)現(xiàn)成本。def search_word(words: list[dict], text_word: str): 先匹配原形再匹配 forms 里的活用形態(tài) for w in words: if text_word w.get(word): return w if text_word in w.get(forms, []): return w return None這段代碼假定詞表在清洗時(shí)已經(jīng)補(bǔ)齊了 forms 字段比如“??”的條目下掛著[???, ??, ???]。實(shí)際構(gòu)建時(shí)forms 數(shù)據(jù)可以來(lái)自教材自帶的變化表也可以自己寫腳本收集常見(jiàn)活用。成本不高但能解決學(xué)習(xí)工具里大部分“搜不到”的困擾。如果你對(duì)精度要求高、不介意依賴再上形態(tài)分析器也不遲。3. 用 Python 操作 korean_wordlist加載、篩選與查詢的實(shí)用腳本這一章寫給想立刻跑起來(lái)的讀者。我統(tǒng)一用 JSON 格式的 korean_wordlist 作為輸入腳本保持最小依賴只用到標(biāo)準(zhǔn)庫(kù)。三個(gè)小節(jié)分別解決“讀取文件”“按等級(jí)篩選”“模糊查詢”三個(gè)日常動(dòng)作腳本可以直接抄進(jìn)項(xiàng)目里改參數(shù)用。3.1 把 JSON 詞匯表加載成 Python 對(duì)象的最小腳本加載詞匯表本身不復(fù)雜但有幾個(gè)細(xì)節(jié)會(huì)坑人文件路徑不存在、JSON 最外層是字典而不是列表、文件編碼不是 UTF-8。一個(gè)健壯的加載函數(shù)應(yīng)該把這三件事都處理掉而不是等到出錯(cuò)再排查。import json from pathlib import Path DEFAULT_PATH Path(korean_wordlist.json) def load_vocabulary(path: Path DEFAULT_PATH) - list[dict]: 加載詞表 JSON兼容最外層為列表或字典兩種結(jié)構(gòu) if not path.exists(): raise FileNotFoundError(f未找到詞表文件: {path}) with path.open(r, encodingutf-8) as f: data json.load(f) return data if isinstance(data, list) else data.get(words, [])path 參數(shù)是 Python 3.6 引入的 pathlib.Path 類型用字符串路徑也能隱式轉(zhuǎn)換。encoding 參數(shù)寫“utf-8”是因?yàn)榻^大多數(shù) korean_wordlist 項(xiàng)目都按 UTF-8 發(fā)布如果你從 Windows 拿到舊數(shù)據(jù)可能要用“utf-8-sig”才能去掉 BOM 頭。返回值統(tǒng)一成列表是考慮到后續(xù)篩選、統(tǒng)計(jì)邏輯只依賴列表結(jié)構(gòu)。加載之后建議先看幾條樣本確認(rèn)字段名和自己的預(yù)期一致。我常用的調(diào)試方式是打印一條load_vocabulary()[0]如果word和meaning的鍵名對(duì)不上后邊所有腳本都會(huì)報(bào) KeyError。3.2 按 TOPIK 等級(jí)篩選詞匯的三個(gè)參數(shù)等級(jí)篩選是所有學(xué)習(xí)類功能里最常用的操作用戶說(shuō)“我只想背初級(jí)詞”你就要把 TOPIK1 和 TOPIK2 的詞都拉出來(lái)。這里提供一個(gè)帶三個(gè)參數(shù)的篩選函數(shù)分別是 level、include_higher 和 limit。def filter_by_level( words: list[dict], level: str TOPIK2, include_higher: bool False, limit: int | None None ) - list[dict]: 篩選指定等級(jí)詞條可包含更高等級(jí)可限制返回?cái)?shù)量 valid_levels {level} if include_higher: level_no int(level.replace(TOPIK, )) valid_levels {fTOPIK{i} for i in range(level_no, 7)} filtered [w for w in words if w.get(level) in valid_levels] if limit: filtered filtered[:limit] return filteredlevel 參數(shù)傳“TOPIK2”是精確匹配include_higher 設(shè)為 True 時(shí)會(huì)返回 TOPIK2 到 TOPIK6 的全部詞條適合做“進(jìn)階”功能。limit 是給調(diào)試用的先看 10 條確認(rèn)數(shù)據(jù)結(jié)構(gòu)再放開(kāi)全量。注意level.replace(TOPIK, )依賴等級(jí)字段命名規(guī)范如果你的詞表用的是“topik2”小寫需要先做一次 upper() 歸一。實(shí)際項(xiàng)目中這三個(gè)參數(shù)足夠覆蓋絕大多數(shù)篩選需求。如果你需要按詞性過(guò)濾可以在函數(shù)里再加一個(gè) pos 參數(shù)邏輯完全一致只是判斷條件從w.get(level)換成w.get(pos)。3.3 模糊查詢與詞干匹配處理搜索不到的常見(jiàn)原因詞匯表接入搜索功能時(shí)用戶輸入的詞往往和詞表里的原形不完全一致。最常見(jiàn)的情形是輸入了活用形態(tài)比如輸入“???”但詞表存的是“??”。這類問(wèn)題有兩條路一是先做活躍形式匹配二是用字符串相似度做模糊搜索兜底。Python 標(biāo)準(zhǔn)庫(kù)里的 difflib.SequenceMatcher 可以完成簡(jiǎn)單的相似度評(píng)分對(duì)韓語(yǔ)這種音節(jié)文字效果一般但作為兜底已經(jīng)夠用。下面的函數(shù)返回按相似度排序的結(jié)果列表from difflib import SequenceMatcher def fuzzy_search(words: list[dict], query: str, threshold: float 0.6) - list[dict]: 基于序列相似度的模糊查詢返回按匹配分?jǐn)?shù)排序的詞條 results [] for w in words: score max( SequenceMatcher(None, query, w.get(word, )).ratio(), SequenceMatcher(None, query, w.get(romanization, )).ratio() ) if score threshold: results.append((score, w)) results.sort(keylambda x: x[0], reverseTrue) return [w for _, w in results]threshold 參數(shù)控制嚴(yán)格程度0.6 能容忍明顯的拼寫差異但也會(huì)把無(wú)關(guān)詞放進(jìn)來(lái)0.8 以上基本只留同根詞。建議在 UI 層把 threshold 設(shè)成可調(diào)節(jié)的滑條搜索無(wú)結(jié)果時(shí)自動(dòng)降低到 0.5 再查一次。和上一章的 forms 匹配組合使用搜索體驗(yàn)會(huì)好很多。這個(gè)函數(shù)對(duì)短詞的匹配效果一般因?yàn)椤??”和“??”的長(zhǎng)度只有兩三個(gè)字符SequenceMatcher 的評(píng)分區(qū)分度不足。所以我的習(xí)慣是優(yōu)先走原形和 forms 的精確匹配模糊搜索只作為最后的兜底。4. 把 korean_wordlist 接進(jìn)學(xué)習(xí)工具與文本分析三個(gè)可直接跑的方案詞匯表本身不產(chǎn)生價(jià)值接進(jìn)實(shí)際場(chǎng)景才有價(jià)值。這一章講三個(gè)最常見(jiàn)的落地路徑導(dǎo)出 Anki 卡片、做文本覆蓋率分析、作為本地詞典服務(wù)的詞庫(kù)源。每段都會(huì)給出可直接運(yùn)行的腳本和參數(shù)調(diào)整方法。4.1 生成 Anki 卡片導(dǎo)入 CSV讓詞匯表變成每日任務(wù)Anki 是很多背詞類工具的事實(shí)標(biāo)準(zhǔn)而 korean_wordlist 正好可以當(dāng)作卡片數(shù)據(jù)源。常見(jiàn)的做法是把篩選后的詞條導(dǎo)出成一個(gè) CSV再通過(guò) Anki 的文件導(dǎo)入功能建立牌組。腳本的關(guān)鍵是把字段順序固定下來(lái)并且用 utf-8-sig 編碼避免 Excel 打開(kāi)亂碼。import csv def export_to_anki( words: list[dict], output_path: str korean_deck.csv, fields: tuple (word, romanization, meaning, level) ) - None: 導(dǎo)出 Anki 可導(dǎo)入的 CSV 文件字段順序由 fields 控制 with open(output_path, w, encodingutf-8-sig, newline) as f: writer csv.writer(f) writer.writerow(fields) for w in words: row [w.get(field, ) for field in fields] writer.writerow(row)用 utf-8-sig 而不是 utf-8是因?yàn)?Excel 打開(kāi) UTF-8 文件時(shí)默認(rèn)按 GBK 解析中文和韓文會(huì)直接亂碼。newline是 Windows 下避免 CSV 每行后邊多一個(gè)空行的關(guān)鍵參數(shù)很多人在這一步栽過(guò)。fields 元組的順序就是 Anki 導(dǎo)入時(shí)的字段映射順序默認(rèn)四列已經(jīng)夠用。導(dǎo)入 Anki 前記得在 Anki 的導(dǎo)入對(duì)話框里勾選“允許 HTML”并把第一行是否包含標(biāo)題設(shè)為“否”。如果不希望出現(xiàn)標(biāo)題行可以把writer.writerow(fields)那一行刪掉Anki 會(huì)按順序自動(dòng)映射到卡片模板的字段。4.2 做文本覆蓋度分析用詞表判斷一篇韓語(yǔ)文章的水平文本覆蓋度分析是“這篇文章我能不能讀下來(lái)”的量化方法把文章分詞后統(tǒng)計(jì)有多少比例的韓語(yǔ)詞條命中詞表。命中率越高說(shuō)明文章越接近你掌握的詞匯范圍。做法很簡(jiǎn)單用正則把韓文音節(jié)塊切出來(lái)再和詞表的 word 集合做交并集計(jì)算。import re def coverage_ratio(text: str, words: list[dict]) - float: 估算文本中命中詞表的詞條比例返回 0 到 1 的小數(shù) tokens re.findall(r[?-?], text) if not tokens: return 0.0 word_set {w[word] for w in words} hits sum(1 for t in tokens if t in word_set) return hits / len(tokens)正則[?-?]覆蓋了 Korean Unicode 音節(jié)塊的全部范圍能切出“?”“?”“?”這類單個(gè)音節(jié)。注意這個(gè)邏輯是把每個(gè)連續(xù)韓文片段當(dāng)成一個(gè) token不會(huì)做真正的形態(tài)分析所以“???”會(huì)被當(dāng)做一個(gè)整體最終覆蓋率會(huì)比實(shí)際偏低。要改善的話可以配合上一章的 forms 字段做展開(kāi)匹配。這個(gè)函數(shù)適用于評(píng)估文本難度比如 0.9 以上說(shuō)明文章對(duì)當(dāng)前等級(jí)用戶很友好0.5 以下則明顯超綱。你也可以在詞表里只有 TOPIK1 和 TOPIK2 時(shí)用它判斷一篇新聞稿對(duì)初學(xué)者是否可讀。做閱讀輔助工具的話這是最能立竿見(jiàn)影的功能。4.3 作為本地詞典查詢服務(wù)的詞庫(kù)源如果你的應(yīng)用需要毫秒級(jí)查詢響應(yīng)就不要每次都掃描整個(gè)列表。常見(jiàn)做法是在進(jìn)程啟動(dòng)時(shí)把詞表加載成內(nèi)存索引word 和 romanization 各建一個(gè)倒排映射。Python 的 dict 自帶哈希索引對(duì)幾千條詞來(lái)說(shuō)查詢耗時(shí)可以忽略不計(jì)。class KoreanDict: 基于詞匯表構(gòu)建的內(nèi)存詞典支持雙鍵查詢 def __init__(self, words: list[dict]): self.by_word {w[word]: w for w in words if w.get(word)} self.by_romanization {} for w in words: rom w.get(romanization) if rom: self.by_romanization[rom] w def lookup(self, key: str) - dict | None: 按韓語(yǔ)原形或羅馬音查詢?cè)~條查不到返回 None return self.by_word.get(key) or self.by_romanization.get(key)這個(gè)類的內(nèi)存開(kāi)銷大約等于詞表大小的兩倍因?yàn)樵~條對(duì)象被兩個(gè) dict 引用但 Py 的對(duì)象引用本身很輕幾千條詞完全無(wú)壓力。查詢時(shí)先試韓語(yǔ)鍵再試羅馬音鍵兩者都失敗返回 None接口簡(jiǎn)單清晰。如果詞表規(guī)模到了十萬(wàn)級(jí)考慮換 SQLite FTS5用 SQL 的 LIKE 查詢做前綴匹配。我實(shí)際用它做過(guò)一個(gè)命令行查詞工具啟動(dòng)時(shí)加載詞表不到 0.2 秒之后每次查詢都在 1 毫秒內(nèi)體驗(yàn)遠(yuǎn)好于每次調(diào)用都重讀 JSON。這個(gè)方案唯一要注意的是詞表更新機(jī)制建議用版本號(hào)加緩存清理策略避免舊數(shù)據(jù)長(zhǎng)期駐留。5. korean_wordlist 踩坑記錄五個(gè)高頻問(wèn)題與排查方法這一章不寫泛泛的“注意編碼”之類建議而是按“現(xiàn)象 → 原因 → 解決”的格式記錄我在實(shí)際使用 korean_wordlist 過(guò)程中真正遇到過(guò)的問(wèn)題。每一條都短小直接你可以直接對(duì)照自己的癥狀來(lái)排查。5.1 韓文在終端或 Excel 里變成亂碼現(xiàn)象Python 打印詞條時(shí)終端顯示一串問(wèn)號(hào)或者打開(kāi)導(dǎo)出的 CSV 后韓文亂碼。原因多數(shù)情況是 Windows 控制臺(tái)默認(rèn)代碼頁(yè)是 GBK而詞表文件是 UTF-8 編碼兩者不匹配。另一種情況是 CSV 導(dǎo)出的編碼用了 utf-8 而不是 utf-8-sigExcel 按本地編碼解析出現(xiàn)亂碼。解決在運(yùn)行腳本前執(zhí)行chcp 65001切換終端到 UTF-8 代碼頁(yè)或在 Python 啟動(dòng)時(shí)手動(dòng)設(shè)置標(biāo)準(zhǔn)輸出編碼。導(dǎo)出 CSV 時(shí)一律用encodingutf-8-sig這是和 Excel 兼容最簡(jiǎn)單的方式。5.2 搜索單詞原形找不到文本里的活用形式現(xiàn)象詞表里有“??”用戶輸入“???”或“??”時(shí)查詢結(jié)果為空覆蓋率分析的結(jié)果明顯偏低。原因詞表按原形收錄而實(shí)際文本中大量出現(xiàn)活用形態(tài)字符串完全匹配必然失敗。解決先用原形查一遍失敗后再去 forms 字段里找。如果詞表里沒(méi)有 forms 字段可以在查詢函數(shù)里對(duì)輸入詞做最常見(jiàn)活用映射比如把結(jié)尾“???”“???”去掉再匹配。形態(tài)分析是最終方案但如果只是做學(xué)習(xí)工具預(yù)置 forms 的成本更低。5.3 同一詞條出現(xiàn)在多個(gè) TOPIK 等級(jí)里現(xiàn)象按等級(jí)統(tǒng)計(jì)詞數(shù)時(shí)總詞數(shù)比去重后的詞條數(shù)多出不少用戶背完初級(jí)詞表后發(fā)現(xiàn)結(jié)果里混入了高級(jí)詞。原因清洗時(shí)只按 word 去重沒(méi)有考慮同一詞元在多個(gè)來(lái)源里被標(biāo)成了不同等級(jí)后寫入的數(shù)據(jù)覆蓋了前一條。解決把去重邏輯改成“保留最低等級(jí)”或“保留最高等級(jí)”取決于業(yè)務(wù)目標(biāo)。建議在清洗腳本里增加一個(gè)等級(jí)合并策略參數(shù)默認(rèn)保留更常用的較低等級(jí)并把高等級(jí)數(shù)據(jù)合并到 forms 字段里。5.4 一個(gè)詞對(duì)應(yīng)多個(gè)不同釋義篩選邏輯被搞亂現(xiàn)象查“??”返回“去進(jìn)行通向”時(shí)想過(guò)濾“去”這個(gè)釋義的用戶被其他釋義干擾按釋義統(tǒng)計(jì)時(shí)詞條被重復(fù)計(jì)數(shù)。原因詞匯表把一詞多義合并到一個(gè)字段用分號(hào)分隔。做展示時(shí)沒(méi)問(wèn)題做選擇和統(tǒng)計(jì)時(shí)字符串包含判斷會(huì)把不相關(guān)語(yǔ)義也命中。解決在數(shù)據(jù)清洗階段把多義詞拆成多條記錄每條帶一個(gè) sense_id 字段區(qū)分詞義或者查詢時(shí)返回全部釋義讓上層業(yè)務(wù)自行消歧。如果只是做背單詞卡片保留合并狀態(tài)是可以接受的但做語(yǔ)義搜索就一定要拆分。5.5 清洗后的詞庫(kù)仍有空字段導(dǎo)致后續(xù)解析報(bào)錯(cuò)現(xiàn)象json.load成功但執(zhí)行w[meaning]時(shí)拋出 KeyError或w.get(level)在排序時(shí)因?yàn)?None 報(bào)錯(cuò)。原因部分詞條缺少某個(gè)字段而后續(xù)代碼用了硬索引而不是get方法。詞表文件本身可能有空行、注釋行或結(jié)構(gòu)不完整的條目。解決在加載函數(shù)之后加一道 schema 校驗(yàn)把必填字段缺失的條目剔除或補(bǔ)默認(rèn)值。代碼里統(tǒng)一使用w.get(field, )避免 KeyError。校驗(yàn)?zāi)_本建議放在數(shù)據(jù)構(gòu)建階段而不是業(yè)務(wù)運(yùn)行時(shí)否則每次錯(cuò)誤都是在運(yùn)行時(shí)才暴露。6. 進(jìn)階技巧把詞匯表變成一份按難度漸進(jìn)的學(xué)習(xí)清單把 korean_wordlist 當(dāng)作靜態(tài)數(shù)據(jù)用只是發(fā)揮了一半價(jià)值。進(jìn)階用法是把詞表按 TOPIK 等級(jí)和詞性重新排序生成一份可以直接照著背的漸進(jìn)式學(xué)習(xí)清單。這個(gè)輸出可以是一份 Markdown 學(xué)習(xí)計(jì)劃也可以繼續(xù)導(dǎo)成 Anki 牌組配合每日 20 詞的學(xué)習(xí)節(jié)奏使用。def build_study_plan( words: list[dict], words_per_day: int 20, group_by_pos: bool True ) - str: 生成按等級(jí)優(yōu)先、詞性分組的每日學(xué)習(xí)清單 level_order {fTOPIK{i}: i for i in range(1, 7)} ordered sorted( words, keylambda w: level_order.get(w.get(level), 99) ) if group_by_pos: pos_order {noun: 0, verb: 1, adjective: 2, adverb: 3} ordered.sort(keylambda w: pos_order.get(w.get(pos), 9)) lines [] for i in range(0, len(ordered), words_per_day): day_no i // words_per_day 1 lines.append(f## Day {day_no}) for w in ordered[i:i words_per_day]: lines.append( f- {w[word]} ({w.get(romanization, )}) {w.get(meaning, )} ) return \n.join(lines)words_per_day 參數(shù)直接控制學(xué)習(xí)節(jié)奏我一般取 20 到 30 之間低于 10 會(huì)讓戰(zhàn)線拉得過(guò)長(zhǎng)超過(guò) 50 則不適合長(zhǎng)期堅(jiān)持。group_by_pos 開(kāi)啟后同一天的詞條會(huì)按名詞、動(dòng)詞、形容詞、副詞分組呈現(xiàn)這樣針對(duì)性更強(qiáng)特別是動(dòng)詞和形容詞對(duì)韓語(yǔ)活用學(xué)習(xí)最重要。生成結(jié)果可以直接存成study_plan.md配合 Anki 的批量導(dǎo)入做兩輪復(fù)習(xí)。我自己的習(xí)慣是每隔兩周重新跑一次這個(gè)腳本因?yàn)樵~表更新或等級(jí)調(diào)整后學(xué)習(xí)路線也跟著變。早期我拿到新詞表總急著寫業(yè)務(wù)邏輯結(jié)果在亂碼和空字段上耗到半夜。后來(lái)養(yǎng)成的固定動(dòng)作是先清洗、再統(tǒng)計(jì)等級(jí)分布、最后才寫查詢和服務(wù)代碼。這個(gè)順序能省下大量調(diào)試時(shí)間希望對(duì)正在評(píng)估這個(gè)方向的你也有幫助。本文還有配套的精品資源點(diǎn)擊獲取