企业官网建设流程全解析

简介：压缩包整合了初中、高中、大学英语四六级、英语专业四八级以及雅思等不同考试阶段的词汇数据，统一采用JSON轻量级格式存储，既方便按阶段查阅，也利于程序批量处理。整个压缩包约十三点七九兆字节，主体为一个按结构化字段组织的单词数据文件，每个词条不仅包含单词本身，还带有释义、例句等相关信息，可通过脚本快速解析。已有二百五十八人学习下载。使用这套词汇库时，学习者能按目标考试或难度标签筛选出所需单词，生成个性化的记忆清单；开发者则可以直接读取JSON结构，将其接入自建的背单词应用、教学网站或词频分析工具中，省去从零搭建数据层的工作。与零散的文本词汇表相比，这份词汇数据的最大优势是格式规范、层次清晰，既适合个人日常积累，也能作为二次开发和算法测试的数据源，是一份兼顾学习与编程场景的实用英语词汇合集。

1. 全学段 JSON 单词包：把初高中、四六级、雅思词汇变成可编程数据

我刚拿到“初高中、四六级、专四八、雅思的单词词汇全在这了.zip”，解压后的第一反应是：词表终于能被代码直接读了。这个包是一套 JSON 单词数据，按考试拆成初中、高中、CET-4、CET-6、TEM-4、TEM-8、雅思多个独立文件，每条记录包含单词、音标、词性、释义、例句和等级标签。对想自建背词工具、做词频分析，或者批量生成 Anki 卡片的从业者来说，它省去了到处爬词表、整页复制粘贴的功夫。适合需要结构化词库的开发者、英语老师和备考工具作者。下面从解压开始，一路讲转换、筛选和排错，把这套 JSON 彻底用起来。

2. 先拆包再看字段：把 JSON 词库读进统一模型

拿到 zip 包第一步不是双击解压，而是先列清单，确认文件组织方式。这个习惯是我吃了两次“解压后不知道哪个文件对应哪张表”的亏才养成的。词库类的 zip 和源码包不同，它没有依赖关系可以参考，但文件命名直接决定后面脚本怎么写。

2.1 解压前的文件清单检查

用命令行看 zip 内的文件列表，比直接解压再回头整理要快得多：

unzip -l 初高中、四六级、专四八、雅思的单词词汇全在这了.zip

这里用的不是解压参数，而是-l列出 zip 包里的路径和大小。重点关注三件事：所有词表是否都是 .json 后缀，有没有混入 README、Excel、CSV；文件名是否自带等级标识，比如 junior_high.json、cet4.json 这种，能直接映射到考试名；有没有子目录嵌套，否则后面脚本的 glob 路径要跟着调整。

我这次解压后的词表分布大概是这样：

这里要提前说明一个统计口径问题：记录量是 JSON 数组元素的个数，不是去重后的单词数。同一单词会在不同等级表中出现，abandon 可能同时出现在高中、CET-4、CET-6 里，累计三条记录，但词条只有一个。这个坑放到第五章专门讲。

确认清单后解压到独立目录：

unzip 初高中、四六级、专四八、雅思的单词词汇全在这了.zip -d wordlists ls -lh wordlists/*.json

-d指定输出目录，避免文件散落在当前路径下污染工作区。ls看体积，一份上万条的词表 JSON，正常大小应该在几百 KB 以上，如果某个文件只有几 KB，基本可以判断是空表或只有表头，解析前就要先标注出来。

2.2 字段设计：单条记录到底长什么样

每份 JSON 的顶层是一个数组，数组元素就是单词记录。打开 cet4.json 看到的典型结构是：

{ "word": "abandon", "phonetic": "/əˈbændən/", "pos": "v.", "definition": "放弃；抛弃", "example": "He abandoned the car.", "example_translation": "他抛弃了那辆车。", "level": "cet4", "frequency": 4 }

字段含义和使用场景可以整理成一张表：

有的文件做成嵌套结构，把同一单词的多个词性装进 items 数组：

{ "word": "address", "items": [ {"pos": "n.", "definition": "地址；演讲"}, {"pos": "v.", "definition": "处理；应付"} ], "level": "senior_high" }

嵌套结构比扁平结构更合理，因为 address 这类多义词，n. 和 v. 的义项差异很大，拆开更利于教学。但导出 Excel 时不处理它，就会出现同一个单词多行记录的情况。

解析之前强烈建议先做一次“字段探针”。这类包往往不是一次性生成的，可能第一批文件字段是 word/meaning/translation，第二批变成 headword/definition/释义。不做探针直接写解析脚本，跑完之后字段全空，才是玄学现场。

import json from collections import Counter with open("wordlists/cet4.json", encoding="utf-8") as f: data = json.load(f) print("总记录数:", len(data)) print("字段组合分布:", Counter([tuple(record.keys()) for record in data[:200]]))

Counter 统计前 200 条记录的键名元组，字段组合种类越多，说明数据来源越杂。如果打印结果里出现两种以上组合，后面必须写归一化层，而不是假设所有文件结构一致。

json.load(f)显式指定 encoding="utf-8"，是因为 Windows 上有些词库文件被另存为 GBK，默认编码会直接抛 UnicodeDecodeError。词库类资源的编码问题是最普遍的坑，详细解法放在 5.1。

2.3 归一化：把七份文件读进同一个模型

统一解析层是这类词库项目最值得写的一段代码。我的做法是定义标准字段名，再维护一个别名映射表，把所有文件里命名不一致的字段全部归一。

import os, json, glob from collections import Counter FIELD_ALIASES = { "word": ["word", "headword", "vocabulary", "单词"], "phonetic": ["phonetic", "pronounce", "音标"], "pos": ["pos", "part_of_speech", "词性"], "definition": ["definition", "meaning", "translation", "释义", "中文"], "example": ["example", "sample", "例句"], } def detect_level(filename): name = os.path.basename(filename).lower() for level in ["junior_high", "senior_high", "cet4", "cet6", "tem4", "tem8", "ielts"]: if level in name: return level return "unknown" def normalize_record(raw, filename): picked = {"level": detect_level(filename)} for std_field, aliases in FIELD_ALIASES.items(): for alias in aliases: if alias in raw: picked[std_field] = raw[alias] break if "items" in raw and isinstance(raw["items"], list): pos_list = [item.get("pos", "") for item in raw["items"]] def_list = [item.get("definition", "") for item in raw["items"]] picked["pos"] = "/".join(pos_list) picked["definition"] = "; ".join(def_list) return picked all_words = [] for path in sorted(glob.glob("wordlists/*.json")): with open(path, encoding="utf-8") as f: raw_list = json.load(f) for raw in raw_list: all_words.append(normalize_record(raw, path)) print("合并后总条数:", len(all_words)) print("等级分布:", Counter(r["level"] for r in all_words))

逻辑上有三个关键点：

• detect_level 从文件名提取等级，是为了在源文件缺少 level 字段时不丢标签。文件名和考试名一致的包，这一步几乎零成本。
• 嵌套 items 合并时，把多词性的 pos 和 definition 拼成一行，用/和;做分隔符。后续写 Excel 或 Anki 时，一行就是一条完整词条，不会因为多词性撑爆列数。
• 合并循环用 glob 排序后纯 Python 遍历，数据量只有几千到一万多，不需要引入 pandas，速度也够。

参数说明：FIELD_ALIASES里的别名顺序就是优先级顺序，排前面的优先命中；如果同一个原始记录同时有 meaning 和 definition，取 definition。

归一化之后，七份文件变成一个大数组 all_words，后面所有导出、筛选、组卷都从这一份统一数据出发。到这里包才算真正从压缩文件变成了可编程数据。

3. 按场景导出：CSV、Excel、Anki 卡片一鱼三吃

3.1 为什么导出前必须清洗

合并后的 all_words 能直接用吗？能，但导出时大概率出问题。常见情况是：同一单词在不同等级表里重复出现，多词性记录在嵌套结构里被展平，例句字段带换行符和英文引号把 CSV 列弄破。这些不是“以后会遇到”的问题，我每次导表几乎都会撞见其中一两个。

清洗的粒度由使用场景决定。做统计报表按“单词”去重，做教学课件按“单词+词性”保留，导 Anki 则要一行一个卡片。所以我在合并后额外维护两个 key：word_key 做基础去重，pos_key 做明细去重。

def make_keys(record): word = str(record.get("word", "")).strip().lower() pos = str(record.get("pos", "")).strip() return word, word + "|" + pos for record in all_words: record["word_key"], record["pos_key"] = make_keys(record)

word_key 把大小写和首尾空格归一化，Abandon 和 abandon 会合并到同一个 key；pos_key 保留词性差异，address 的 n. 和 v. 能用它区分。两个 key 并存的意义是：统计词汇量时数 word_key 唯一值，教学备课查词时用 pos_key 精确到义项。

3.2 导出带等级的 Excel 总表

团队协作时，Excel 是最不容易出错的交付格式。英语老师拿到 xlsx 可以直接做数据透视，按等级、词性筛词。用 pandas 写最顺手：

import pandas as pd df = pd.DataFrame(all_words) cols = ["word", "phonetic", "pos", "definition", "example", "example_translation", "level"] df = df[cols].fillna("") df.to_excel("wordlist_total.xlsx", index=False) print("Excel 行数:", len(df)) print(df["level"].value_counts())

fillna("") 把空字段填成空字符串，避免 Excel 单元格显示 NaN。value_counts 打印等级分布，用来验收合并结果。

参数说明：

• index=False 很关键，不写的话 pandas 会自动生成 0、1、2 序号列，数据透视时多一列无意义索引。
• cols 固定列顺序，不管 JSON 里字段怎么排列，导出的表列名一致，下游脚本不会因为列序变化挂掉。
• 只需要初中词时，在导出前加一行df = df[df["level"] == "junior_high"]，后面所有逻辑不变。

没有 pandas 的环境，用 csv 模块写同样能做。这里有一个 Windows 上的细节：用 utf-8-sig 而不是纯 utf-8。

import csv with open("wordlist_total.csv", "w", encoding="utf-8-sig", newline="") as f: writer = csv.DictWriter(f, fieldnames=cols) writer.writeheader() for record in all_words: writer.writerow({col: record.get(col, "") for col in cols})

utf-8-sig 会在文件头写一个 BOM 标记，Excel 双击 CSV 时中文才不乱码；不加 BOM 的 UTF-8 文件在 Windows 上会被 Excel 按本地 ANSI 猜编码。newline="" 是 csv 模块配合 Excel 的特殊要求，不加它每两行之间会多一个空行。这两行参数是我导表踩坑换来的，建议直接抄。

3.3 生成 Anki 可导入词卡

Anki 导入文本用制表符分隔，第一行是模板字段名。模板做正反面：正面单词，背面音标、释义、例句。

with open("anki_import.txt", "w", encoding="utf-8") as f: f.write("word\tphonetic\tpos\tdefinition\texample\n") for record in all_words: if not record.get("word") or not record.get("definition"): continue example = record.get("example", "").replace("\n", "<br>") definition = record.get("definition", "").replace("\n", " ") line = "\t".join([ record["word"], record.get("phonetic", ""), record.get("pos", ""), definition, example ]) f.write(line + "\n")

逻辑说明：

• definition 里的换行替换成空格，因为 Anki 字段值如果带换行，导入时会把一行拆成两行，卡片数量翻倍还错位。
• example 里的换行替换成<br>，在卡片背面会渲染成实际换行，保留例句的自然分段。
• 跳过缺 word 或缺 definition 的记录，这类记录通常是制作方的空壳或爬取残次品，导进去会生成一堆空白卡。

Anki 导入时选“制表符分隔”，字段映射按第一行名称自动对齐。用 CSV 导必须手动改分隔符设置，容易翻车；TSV 能少走一段弯路。

到这里，JSON 词库已经变成三种可用格式：xlsx 给人工筛选，csv 给程序对接，tsv 给 Anki 背卡，覆盖了多数老师和开发者的场景。

3.4 导出后的完整性校验

导出完不要直接拿 Excel 去筛词，先做一个行数校验。最直接的方式是把导出的 CSV 再读回来，和内存里的 all_words 对一下数量。

wc -l wordlist_total.csv

CSV 有表头，所以行数减去 1 就是数据行数。如果对不上，八成是导出时某条记录的文本里带了换行，把一行拆成了两行。快速定位方式是用 awk 统计每个字段的分隔符数量：

awk -F ',' 'NF != 7 {print NR, NF}' wordlist_total.csv

这里假设表有 7 列，如果某行NF不等于 7，说明该行引号或换行处理有问题，定位到行号后回到源 JSON 检查那条记录。这个人工校验步骤只需要几秒，但能挡住后面所有下游任务的返工。

4. 按等级和场景筛词：定制复习表与随机组卷

4.1 多等级筛选：把跨表高频词挖出来

很多人以为有了 level 标签，筛选就是把想要的等级丢进去过滤。实际更值钱的是看一个词跨了几张表：只在高中表出现，还是高中、四级、六级都出现。跨表次数越多，说明越基础、越高频、优先级越高。

from collections import defaultdict level_counter = defaultdict(set) for record in all_words: level_counter[record["word_key"]].add(record["level"]) for record in all_words: record["level_count"] = len(level_counter[record["word_key"]])

level_count 是筛选的核心参数。等于 1 的是单表独有词，等于 3 或更高的说明跨多个等级表，通常是考试大纲里最稳定的一批核心词。给学生做复习计划时，我会把三张表的交集词排在前面，独有词排在后面。

常见筛选逻辑有三种，我习惯写成可复用函数：

def filter_by_levels(records, levels): return [r for r in records if r.get("level") in set(levels)] def filter_single_level_only(records, levels): return [r for r in records if r.get("level") in set(levels) and r.get("level_count") == 1] def filter_cross_table(records, levels, min_cross=2): return [r for r in records if r.get("level") in set(levels) and r.get("level_count") >= min_cross]

• filter_by_levels 按考试范围圈定候选词。
• filter_single_level_only 拿来做超纲词检测，比如一张六级卷子里出现只在六级词表单次出现的词，可以重点标记。
• filter_cross_table 是复习序列的主函数，min_cross 控制词的核心程度。

参数说明：set(levels) 在函数入口转一次集合，避免循环里重复做 list 的 in 判断；min_cross 默认 2，表示至少跨两张表。

4.2 按天切分学习计划：支持断点续用

把筛选结果按天切分，最稳的做法是先排序再切片。排序键有人按字母序，有人按词频，我建议按 level_count 降序，让跨表高频词先背。

def build_plan(records, daily_new=50, start_day=0): records_sorted = sorted( records, key=lambda r: (-r.get("level_count", 0), r.get("word", "")) ) plan = {} for idx, record in enumerate(records_sorted): day = start_day + idx // daily_new plan.setdefault(day, []).append(record) return plan plan = build_plan(filter_cross_table(all_words, {"cet4", "cet6"}, min_cross=1), daily_new=50) for day in sorted(plan.keys())[:3]: words = [r["word"] for r in plan[day]] print(day, len(words), words[:5])

逻辑说明：

• idx // daily_new整除算出这一天在第几个周期，start_day 用于续接。比如已经背了 20 天，传 start_day=20，新计划从第 20 天之后继续排，不重置进度。
• sorted 的 key 里第一维放负数 level_count 做降序，第二维放单词原文做字典序，保证同一天内输出稳定。
• 前三天打印出来确认切片正确，总天数可以取max(plan.keys()) + 1。

常见做法是配一个进度文件，每天记录已背单词的 word_key。导出的 CSV 和 3.2 格式保持一致，加一个 day 字段：

import csv with open("study_plan.csv", "w", encoding="utf-8-sig", newline="") as f: writer = csv.writer(f) writer.writerow(["day", "word", "level", "level_count", "definition"]) for day, records in sorted(plan.items()): for r in records: writer.writerow([day, r["word"], r["level"], r["level_count"], r["definition"]])

4.3 固定随机种子组卷：每一轮测验都可复现

给学生出线上测验时，最基本的要求是同一组学生拿到同一套题。直接用 random.sample 在全局随机种子下运行，脚本一重启结果就变，那就不叫试卷，叫运气。正确写法是独立 Random 实例加固定种子。

import random def generate_quiz(records, word_count=20, seed="2025-06-01"): rng = random.Random(seed) sample_size = min(word_count, len(records)) quiz = rng.sample(records, k=sample_size) return quiz quiz = generate_quiz(filter_by_levels(all_words, {"senior_high"}), word_count=20) for i, r in enumerate(quiz, 1): print(i, r["word"], r["definition"])

参数说明：

• random.Random(seed) 创建与全局随机隔离的生成器，只要 seed 相同，无论脚本执行多少次，抽样顺序都一样。这比random.seed(seed)再 sample 更干净，不会污染其他用随机数的代码。
• word_count=20 是默认题量，k=min(word_count, len(records)) 做边界保护，词表不够 20 条时不抛 ValueError。
• seed 用日期字符串，今天是 2025-06-01，明天改成 2025-06-02，每天卷子不同，但同一天内所有人一致。

组卷后一般输出两个文件：题目版只有单词，答案版带释义。

def export_quiz_versions(quiz, base_name): with open(base_name + "_question.txt", "w", encoding="utf-8") as f: for r in quiz: f.write(r["word"] + "\n") with open(base_name + "_answer.txt", "w", encoding="utf-8") as f: for r in quiz: f.write(f"{r['word']}\t{r.get('definition', '')}\n")

到这里，筛选、计划、组卷三个典型用法都打通了，JSON 到教学场景之间不再依赖人工复制粘贴。

5. 避坑与排查：JSON 词库的五个常见坑位

统一解析和导出脚本写完，真正的体验才开始。前面几章多次提到编码、去重、换行，这里集中讲五个我实际踩过的坑，每条按“现象 → 原因 → 解决”写，基本覆盖这类词库包 80% 的问题。

5.1 JSON 解码报错：编码类型与 BOM 问题

现象：json.load(f) 直接在文件头抛 UnicodeDecodeError，满屏“utf-8 codec can't decode byte”，中文释义全变乱码，经常被误判为文件损坏。

原因：词库文件本身是 UTF-8，但中间被 WPS 或记事本“另存为”过一次，被改写成 GBK/GB2312；另一种情况是文件开头带 UTF-8 BOM，不用 utf-8-sig 读取时，\ufeff会被当作字段名前缀，导致后续所有 key 都带乱码。

解决：写一个编码自动探测函数，按序尝试 utf-8-sig、utf-8、gbk：

def read_json_auto(path): last_err = None for enc in ("utf-8-sig", "utf-8", "gbk"): try: with open(path, encoding=enc) as f: return json.load(f) except UnicodeDecodeError as e: last_err = e raise last_err

逻辑说明：utf-8-sig 同时兼容带 BOM 和不带 BOM 的 UTF-8，放第一位是性价比最高的；gbk 放最后兜底。三种编码都失败时把最后的异常抛出去，说明文件本身就不是纯文本 JSON。合并循环里把这个函数替换掉直接 open 的位置，七份文件一次过。

5.2 同词多词性：Excel 出现大量重复行

现象：导出 Excel 后数据透视统计词汇量，同一单词出现两行甚至三行，address 的 n. 和 v. 各占一行；去重后数量骤减，和源文件行数对不上。

原因：JSON 数据按“单词+词性”组织，多义词被拆成多条记录，这是合理的生产设计，但对外沟通时大家按“单词头数”理解，口径不一致。

解决：做两套口径。统计单词量用 word_key 唯一值，教学明细用 pos_key。导出前先算一个按单词合并的精简表：

from collections import OrderedDict dedup_by_word = OrderedDict() for record in all_words: key = record["word_key"] if key not in dedup_by_word: dedup_by_word[key] = record else: old = dedup_by_word[key] old["pos"] = old.get("pos", "") + "/" + record.get("pos", "") old["definition"] = old.get("definition", "") + "; " + record.get("definition", "")

逻辑说明：按 word_key 第一次出现的记录为基准，后续同词记录把 pos 和 definition 追加到原记录后面，既保留多词性又不产生重复行。参数说明：pos 用/连接，definition 用;连接，和 2.3 的格式保持一致。

5.3 例句里的换行把 CSV 列弄破

现象：CSV 在 Excel 中打开后列错位，单词还在，例句后面多出来一整行；或者文本编辑器里看到某行中间断开。

原因：JSON 字符串里的例句带\n，写入 CSV 时被当成新行。字段里如果还有英文双引号，手拼字符串时没按 CSV 规则转义，也会错位。

解决：用 csv 模块的 DictWriter 而不是手写 join，并对文本字段做清理：

def clean_text(value): if value is None: return "" return str(value).replace("\r", " ").replace("\n", " ") def clean_example(value): if value is None: return "" return str(value).replace("\r", " ").replace("\n", "<br>")

clean_text 用于释义、音标这类短文本，clean_example 用于例句。例句里换行替换成<br>，是为了导 Anki 时保留分段信息；通用 CSV 场景下替换成空格也行。DictWriter 会自动处理引号转义，不用自己写转义逻辑。

5.4 行数是“记录数”而不是“词条数”

现象：报告写总词汇 4 万，另一个同事统计出来只有 3 万，两边都拿源码说自己没错。最后发现一个数数组长度，一个数 word_key 去重数。

原因：这不算 bug，是统计口径问题。JSON 数组按“单词+词性+来源”展开，多义词和多等级重叠都会让数组长度虚增。

解决：把三个数一起打印出来，写进自测报告：

total_records = len(all_words) unique_words = len(set(r["word_key"] for r in all_words)) unique_pos = len(set(r["pos_key"] for r in all_words)) print(f"记录数={total_records}, 单词数={unique_words}, 词性词条数={unique_pos}")

对外汇报词汇量时统一用 unique_words，内部业务建模用 unique_pos。只要在代码里明确命名，混用问题就能从源头挡住。

5.5 合并时 level 标签错位

现象：合并后打印等级分布，发现 junior_high 文件里的词被标成 cet4，或者所有词都是 unknown，按等级筛词时结果完全错乱。

原因：normalize_record 里 detect_level 的入参传错，比如合并循环里只传了记录对象，没传当前文件路径；或者源文件内部混存了多个等级，文件名无法代表真实内容。

解决：合并循环里每次把 path 传进去，并打印等级分布核对。如果文件名不可靠，改为优先用内容字段覆盖：

for path in sorted(glob.glob("wordlists/*.json")): with open(path, encoding="utf-8") as f: raw_list = json.load(f) for raw in raw_list: record = normalize_record(raw, path) if "grade" in raw and raw["grade"]: record["level"] = raw["grade"] all_words.append(record)

逻辑说明：用内容字段覆盖文件名，本质上是把命名不可靠的风险交给数据自己。源文件里有 grade 或 level 字段时以它为准，没有时再用文件名兜底。

注意：合并完一定要打印一次等级分布，错位问题单看一条记录发现不了，必须看整体分布。

五个坑看完，核心心法就一句话：先做统计和抽样，再写业务逻辑。直接拿全表生成卡片，大概率要返工。

6. 全量自测与版本管理：让词库成为长期可维护的数据资产

脚本写完不急着接进业务，先跑一遍自测。我固定打印五组指标：总记录数、去重词条数、等级分布、释义缺失率、例句覆盖率。释义缺失超过 5%，这份词库只适合做统计，不适合直接做学习卡片；例句覆盖率低于 70%，导出的背词卡体验会很差，除非模板里不显示例句。

完整入口我习惯封装成命令行脚本，参数化等级和输出文件名：

def run_pipeline(levels, xlsx_path="wordlist_total.xlsx", anki_path="anki_import.txt"): all_words = load_wordlist() # 合并 + 归一化 report = validate_wordlist(all_words) # 五组指标 print("自测报告:", report) export_excel(filter_by_levels(all_words, levels), xlsx_path) export_anki(filter_by_levels(all_words, levels), anki_path) return report

日常运行用python wordlist_toolkit.py --levels cet4 cet6 --export触发，把固定流程沉淀成一条命令，比每次手工跑多个脚本可靠得多。

另一件重要的事是版本管理。词库本身会更新，今天这版少收 200 个词，明天补上，自查时要能回答“线上那套导表是从哪版词库来的”。我的习惯是把原始 zip、解析脚本、导出文件放同一目录，每次源文件更新先跑自测再导出一版，用 Git 打 tag，比如 wordlist-2025-q2。三个月后翻提交记录，就能定位是哪版词库支撑哪份 Excel。

当新词库再来时，这套脚本也能直接复用：换掉 glob 的目录路径、跑一遍字段探针、更新 FIELD_ALIASES 即可，不用从头写解析逻辑。别把脚本硬编码到某个文件名上，词库包的目录结构几乎每换一版就变一次，脚本要按入口参数设计，而不是按文件名写死。

从那以后，我每次拿到新词库包，都强制先走“解压 → 统计字段 → 归一化 → 自测 → 导出”五步，再谈业务需求。这套流程看着繁琐，但能挡掉 80% 的数据脏坑。希望帮到你。

本文还有配套的精品资源，点击获取