再谈BNC语料的净化问题

[superyangt]

前段时间有C友讨论了BNC的净化问题。
我在这个过程中遇到一个小小问题，求救各位老师。
我发现语料中有一些HTML标记，是以&开头；结尾的，如：
< 小于 &lt;
> 大于 &gt;
& &符号 &amp;
" 引号 &equo;
&mdash;
&bquo;
&pound;
&percnt;
&hellip;
&ndash;
&bull;
&copy;
&frac12;
&eacute;
&aacute;
&uacute;
&ntilde;
&agrave;
&iacute;
&dollar;
&uuml;
&ouml;
有些标记我从名称上看，能找出他的对应符号，但是有些却不能。
请求老师们的帮助。

 

[superyangt]

回复: 再谈BNC语料的净化问题

列举的不是全部，仅仅是暂时发现的一些而已。

 

[xiaoz]

回复: 再谈BNC语料的净化问题

A list of entity references used in the BNC can be found in the file named html_entities.txt in WordSmith 5.0 folder if you have installed tool.

The following wiki link explains in entity reference in more detail:
http://en.wikipedia.org/wiki/List_of_XML_and_HTML_character_entity_references

 

[superyangt]

回复: 再谈BNC语料的净化问题

感谢Dr Xiao。正是我要找的。

 

[superyangt]

回复: 再谈BNC语料的净化问题

今天完成BNC净化工作，中间有些波折，看起来不像想象中的容易。
遇到类似困惑的C友，可以在此发帖，愿意竭力解答。

 

[leanne]

回复: 再谈BNC语料的净化问题

今天完成BNC净化工作，中间有些波折，看起来不像想象中的容易。
遇到类似困惑的C友，可以在此发帖，愿意竭力解答。

加油！