基于Python的中英政治語料構(gòu)建

劉蜜蜜

[摘? 要：隨著中國在國際舞臺上影響力的提升，中國的對外宣傳也愈加重要。政治文本要求翻譯忠實、準(zhǔn)確，切合時政熱點，這也要求翻譯工作中大量參考已有翻譯。本文重點介紹如何利用Python中的Requests庫進行文本的抓取，以及通過在線語料對齊平臺進行語料對齊，從而利用網(wǎng)頁上的文本信息構(gòu)建可以為我們所用的語料信息。

關(guān)鍵詞：Python;政治文本;翻譯;語料庫]

“一帶一路”倡議之后，國內(nèi)外關(guān)于中國政治的研究越來越多，政治文本翻譯也成為了一個強需求。面對如此海量的政治文本，語料庫和翻譯技術(shù)成為一個重要工具。

1政治文本的特點

政務(wù)文本主要有兩個特點：一是準(zhǔn)確性，二是實時性。政治文本直接牽涉到政治立場和觀點，所以翻譯此類文本應(yīng)用詞準(zhǔn)確，避免引起不必要的誤解，外宣翻譯傾向于完全“忠實”于原文。最行之有效的方式就是找已有的官方譯文進行借鑒。除了對于準(zhǔn)確性的要求，政治文本的內(nèi)容往往具有很強的實時性，往往需要結(jié)合時事熱點，例如，2019年之后外宣文本中出現(xiàn)“綠水青山就是金山銀山”的表述，是近些年才被熱議的話題。

2信息時代翻譯的特點

當(dāng)今的翻譯工作越來越多的受到科技發(fā)展的驅(qū)使，人工智能、大數(shù)據(jù)、云的發(fā)展，都極大地改變了人們的工作方式和狀態(tài)。此外，在全球化與本地化加速發(fā)展的現(xiàn)在，翻譯的需求量加大 ，翻譯效率也成為了重中之重。這種情況下，計算機技術(shù)也就成為了我們的必然選擇。

譯員對于信息化的需求主要有3個層面：首先，譯員之間需要橫向合作，需要翻譯協(xié)作和大型翻譯項目管理軟件。其次，還需要借助眾多譯員的長期雙語語料積累，譯者之前翻譯和求證過的翻譯也是重要參考。最后，不同的譯員之間需要語料共享。

3利用Python抓取政治文本語料

利用Python手段抓取政治文本語料的過程主要分為4步：

3.1確定目標(biāo).由于政治文本對于實時熱點的要求比較高，此次任務(wù)中選擇英語點津網(wǎng)站的新聞播報欄目的內(nèi)容進行抓取。在爬蟲之前，其robots協(xié)議（反爬蟲規(guī)則）顯示英語點津網(wǎng)站是沒有robots文件的，也就是說不對爬蟲加以限制;

3.2頁面分析。下一步我們調(diào)出開發(fā)者工具進行頁面分析。從代碼中，我們可以看到我們可以知道，版面目錄存放在一個 class = “gy_box” 的 div 標(biāo)簽下，每一個 div 表示一個版面，而版面的鏈接就在 target = “_blank”， class=”gy_box_img”， shape=”rect” 的 a 標(biāo)簽中;

3.3利用requests庫獲取文本。

3.3.1安裝requests庫

Requests庫是一個Python第三方庫，處理URL資源特別方便。在Pycharm中的安裝方式是打開 PyCharm，單擊“File”（文件）菜單，選擇“Setting for New Projects...”命令，選擇“Project Interpreter”（項目編譯器）命令，確認(rèn)當(dāng)前選擇的編譯器，然后單擊右上角的加號，添加Requests庫。如果使用Python自帶的編輯器，只需要在命令提示符中輸入：

pip install requests

3.3.2 用get獲取信息

使用Python第三方庫requests的get （URL） 方法獲取網(wǎng)頁信息。

import requests

r=requests.get（“https：//language.chinadaily.com.cn/a/202003/03/WS5e5e5121a31012821727c044.html”）

r.status_code

r.text[：100]

得到源文本的代碼之后，還需要用正則表達(dá)式或者lxml去除網(wǎng)頁內(nèi)容中的特殊字符，得到只有中英文字符的新聞原文。

3.3.3將文本信息存儲

使用with open （‘文件名， 方式） as變量名， 對獲取的網(wǎng)頁文本信息存儲到本地txt文件。

3.3.4利用語料商城進行語料對齊

我們還需要將得到的語料制作成符合CAT軟件要求的格式?？梢岳胻mxmall的在線對齊功能進行調(diào)整，選擇“單語文檔對齊”即可很快捷地完成對齊。

4小結(jié)

翻譯過程中，譯員們常常尋求專業(yè)網(wǎng)站支持，但是這種簡單的搜索還存在著問題。首先，站內(nèi)搜索效率不高，網(wǎng)頁加載對網(wǎng)速有要求，同時打開網(wǎng)頁太多也會給電腦帶來壓力。其次，政治文本的查詢需要參考來自多個平臺的內(nèi)容，多次搜索的動作，比較費時費力。

而這種基于Python的方式就可以很好的解決這兩個問題，避免了打開多個網(wǎng)頁的繁雜的查詢過程，可以同時爬取多個頁面，提高了查詢的效率。此外，這種爬取的方式靈活方便，可以即時添加新的語料信息，保證了語料的實時性。

參考文獻(xiàn)

[1]趙振國.基于Python的網(wǎng)絡(luò)語料獲取和文本提取方法探索[J].教育現(xiàn)代化，2019，6（14）：188-190.

[2]楊麗，孫昂，劉俐.論個人翻譯語料庫的建立和使用[J].企業(yè)家天地下半月刊（理論版），2007（11）：200-201.

[3]庚庚911. python基礎(chǔ)-文件讀寫with open as語句[EB/OL].https：//blog.csdn.net/yetugeng/article/details/83870197？depth_1-utm_source=distribute.pc_relevant.none-task&utm_source= distribute.pc_relevant.none- task. 2018-11-08.

浙江大學(xué)? 浙江? 杭州? 310058