数据日期2024-08-27，全部免费内容都下载了，体积庞大，八千三百万个例句。
主要优先文学，艺术和人文科学，加上科技，医疗，最后才是大众传媒新闻体 （后者量足/满大街/cookie-cutter/机器人一般，就排最后了）
按照时间顺序，越早越古老越好（其实也就是本世纪上半叶）。
https://pan.huang1111.cn/s/Nk9D8c1
FREE
19 Likes
Thanks a lot!
Mirror on Google Drive:
3 Likes
Thank you！
2 Likes
感谢，先下载下来看看
不客气，有啥瑕疵请见谅。
厉害了，感谢
谢谢光顾 希望有用
老大，词头有多少？
词头147319，来自 Vocabulary.com Dictionary by dfsfd@pdawiki Build at 2018/4/17
headwords.rar (572.5 KB)
8、9G，这种语料库级别，覆盖面应该可以更广些，这个词dozenth竟查不到。
我打算把unabridged的字典里面的词头另外分开做一个补集, 前提条件是corpus里面有这些词头的例句
1 Like
VocabularyCOM 内在的词表，我在去年做了一份，目前应该是最完整的。
另外，我做 VC Examples，下载数据只下载了一个小时，网速大概 10MB/s。最后打包成 mdx 体积 3GB，我估计 VocabularyCOM 完整例句库做成 mdx，体积至少几十 GB，可能超100GB。
免费的部分不能超过550个例句/genre，reverse chronological order.
也就是说过去的就没法读取。不排除付费的可以。比如有些单词显示27000个例句。
我这里速度很慢，大概并行5个的话15个小时。体积原始数据大概50GB。
你推荐的词条是那个#15楼合并的吗，凡是不在voca里面的词条都没有任何例句的。
以下内容凭记忆回复，现在可能不准确了。
我记得获取例句有两个接口，一个是分类口（文学、科技等），这个接口很坑，每次请求最多返回50组例句。但还有个 random 口，该接口每次请求可返回至多500组例句。
我是先用分类接口，雨露均沾，各类别都下载一点例句。然后直接走随机接口，大力出奇迹，全速下载例句。随机口返回的好像大部分是文学类别例句。
词表就用上文的三合一词表吧，它是目前已知最完整的 VocabularyCOM 内在词表。
使用随机接口，理论上应该可以离线整个例句库，但是 mdx 太大，也没法用了。
我还没有试过不过滤的random接口，如果它多快好省，我就试一下，外加去个重。不敢想象最后体积有多大。voca很可能有某种限制，待发现。你的strategy我觉得很好。
加了addendum，含有从2018年后词头1051。只要下载新的mdx，体积45MB.
新词条来源依据
1） Vocabulary.com 2023.12.02 (欢迎使用反馈) - 英英 - FreeMdict Forum
2） MWU2023
2 Likes
去了几十万个词头以内重复例句的现象，修复了一些不规范malformed json问题。
体积只缩小了几十MB。
实际上9千多万个例句，里面有四千多万是重复的，但是它们被分散放在了不同的词头下。也就是说，平均每两个例句就有一个重复，但是是归纳到其他词头以下的。也可以认为是一个例句里面会有两个词头被Vocab官网highlight，然后重复出现于各自的词头里面。
这是vocab官网的问题。不打算删除这类的一句两用的地方。不过删除了以后，体积会减半！（可用性可能也减半，毕竟第二个词头里面就没有那同样的例句了）
4 Likes
Please correct the date.
Date in title is rewound to 29th.
1 Like