# 中文單字、詞語、成語資料庫搜集

> [name=wa.__.wa]

:::info

因為想製作中文文字遊戲，要找單字資料庫，以及對應的解釋意涵，所以把資訊整理在這邊跟轉檔成比較好操作的檔案格式。

:::

完整檔案：
https://github.com/wastu01/chinese_dictionary_collection

檔案結構如下：


## 資料來源

### 一、萌典（g0v 計畫）
- **專案連結：**
- [g0v/moedict-webkit](https://github.com/g0v/moedict-webkit)
- [g0v/moedict-data](https://github.com/g0v/moedict-data)
- [g0v/moedict-process](https://github.com/g0v/moedict-process)
- **授權方式：** [CC0 1.0 公眾領域貢獻宣告](https://creativecommons.org/publicdomain/zero/1.0/deed.zh_TW)
- **資料內容：**
- 「重編國語辭典（修訂本）」完整詞條清單
- 「國語辭典簡編本」詞條發音清單
- `dict-cat.json`：依主題分類的資料

---

### 二、教育部國語辭典公眾授權網
- **官方授權網站：**
[https://language.moe.gov.tw/001/Upload/Files/site_content/M0001/respub/index.html](https://language.moe.gov.tw/001/Upload/Files/site_content/M0001/respub/index.html)
- **授權方式：** 創用 CC「姓名標示－禁止改作」3.0 台灣版
- **原始格式：** `.xlsx`，需轉換為 JSON。

#### 各資料集說明：

##### 成語典
- **對象：** 教師與學生。
- **特色：** 含釋義、音讀、典故原文、白話譯注、用法說明與例句。
- **檔案名稱：** `dict_idioms_2020_20250924.xlsx`
- **附註：** `char` 資料夾含字圖，功能待確認。

##### 重編國語辭典（修訂本）
- **對象：** 對歷史語言有興趣的研究者。
- **特色：** 記錄中古至現代詞語，附古典文獻書證與多音讀。
- **備註：** 部分字元無法正確轉出。

##### 國語辭典簡編本
- **特色：**
- 多媒體辭典，含發音與圖片。
- 以字詞頻統計為依據，語體淺白。
- 聲音資料依《國語一字多音審訂表》製作。
- **內容：**
- 包含單字與詞語的釋義、發音檔、圖片檔。詞目全文聲音檔僅儲存 001 資料集，002~005 不明原因無法解壓縮

##### 國語小字典
- **對象：** 國小學童與教師。
- **特色：**
- 含例詞、例句、查詢索引。
- 僅收常用字音。
- **備註：** 解釋欄位中有 `&&` 字元，未知原因的資料。

---

其他額外找到的資料：

### 韻腳大師（爽典）
- **網站：** [https://infoqme.com/dict/](https://infoqme.com/dict/)
- **資料來源：** 採用「重編國語辭典修訂本」資料。

## 簡體中文資料來源

### 一、中华新华字典数据库
- **專案連結：** [https://github.com/pwxcoo/chinese-xinhua](https://github.com/pwxcoo/chinese-xinhua)
- **授權：** 未明確標註（資料來自多網站爬取）。
- **特色：**
- 收錄大量字詞資料。
- 含歇後語、謎語，可用於猜謎或語文遊戲。

### 二、汉语拼音辞典
- **專案連結：** [https://github.com/mapull/chinese-dictionary](https://github.com/mapull/chinese-dictionary)
- **授權：** MIT License
- **特色：** 有提供常用字拼音資料集

---

## 轉檔

本專案提供四支轉檔腳本，將 `.xlsx` 轉為 JSON，並在 `data_converted/` 鏡像來源的路徑結構。

通用選項
- `sources`：檔案或資料夾。若為資料夾，會遞迴處理所有 `.xlsx`（略過 `~$*.xlsx`）。
- `--output-dir`：輸出根目錄，預設 `data_converted`。
- `--overwrite`：覆寫已存在的 JSON。
- `--indent <n>`：可讀排版，如 `--indent 2`；未指定則輸出緊湊格式。

指令範例
- 國語辭典簡編本：
- `python scripts/dict_concised_convert.py --overwrite --indent 2`
- 國語小字典：
- `python scripts/dict_mini_convert.py --overwrite --indent 2`
- 成語典：
- `python scripts/dict_idiom_convert.py --overwrite --indent 2`
- 重編國語辭典修訂本：
- `python scripts/dict_revised_convert.py --overwrite --indent 2`

輸出 JSON 結構
- `source`：來源檔的相對路徑
- `sheet`：工作表名稱
- `index`：工作表順序（0 起算）
- `records`：列資料（欄名保留原始標題）

注意事項
- 讀取時使用 `dtype=str` 以保留前導零。
- 會正規化換行為 `\n`，並移除前後空白及不換行空白字元。
- 若活頁簿名稱或工作表名稱含特殊字元，輸出檔名會自動安全化。

---

## 授權聲明

本專案僅進行資料整理與格式轉換，沒有更改原始內容。
使用時請遵守各資料來源授權條款。

| 資料來源 | 授權方式 |
|-----------|-----------|
| g0v/moedict 系列 | CC0 1.0 公眾領域 |
| 教育部國語辭典公眾授權網 | CC BY-ND 3.0 TW |
| 其他開放資料庫 | 依原專案標註為準 |

---

## 專案結構

.
├── data_converted/                             # 轉檔後 JSON
│   ├── 國語小字典/
│   ├── 國語辭典簡編本/
│   ├── 重編國語辭典修訂本/
│   └── 成語典/
├── 國語小字典/                                 # 原始資料（xlsx）
├── 國語辭典簡編本/
├── 重編國語辭典修訂本/
├── 成語典/
├── scripts/
│   ├── dict_concised_convert.py                # 簡編本轉檔
│   ├── dict_mini_convert.py                    # 國語小字典轉檔
│   ├── dict_idiom_convert.py                   # 成語典轉檔
│   └── dict_revised_convert.py                 # 重編本轉檔
├── requirements.txt
├── 腳本.md
└── README.md

網頁遊戲：

https://wastu01.github.io/Chinese_Wordbomb/


目前進度：https://docs.google.com/document/d/1CGkAbbTZCINa-pF4idxS0LFFWCHu8UbEOGN68IiWiZU/edit?usp=sharing