昨天是我背《十天搞定考研词汇》这本书的第十天。过去的十天里我每天都花大量的时间在单词上，虽然并没有像书名所说的“搞定”考研词汇，但也确实收获颇丰。十天过去了，往后我要怎么复习单词呢？我想到了Anki。
以前我也尝试过Anki许多次，但说真的Anki并没有给我带来任何帮助。我认为原因有以下几个：1.制作卡片太浪费时间；2.用别人的卡片不合心意；3.背卡片总感觉不踏实，看不到希望、没有成就感。 这一次应该会好很多。
为什么用R语言
前几天我才开始学R语言[1]，因为写双学位毕业论文可能要用它来处理数据。我其实更倾向于用Matlab，因为帮助文档很完善、例子也很多，用着也顺手，但用R可能会显得更“专业”一点?。我想正好这个问题用R也能处理，那就用R语言吧。但毕竟我对R语言的特性还不很了解，如果代码有可改进之处，欢迎友好指出。
关于epub/azw3电子书
这两种格式的电子书文件，不专业地说，你可以把它们看成zip、rar之类的压缩包（把.epub后缀改成.zip可以直接打开），压缩包里面是一些html格式的网页，书的内容就在这些网页文件里面。既然是网页，那如果你想获取里面的内容的话，是不是可以用“网络爬虫”来抓取呢？
大致思路
因此，通过epub/azw3格式的电子书制作卡片可以大致分成如下几个步骤：1.把电子书文件解压开，获取里面的html文件；2.用爬虫爬取里面需要的信息，并将信息整理汇总成一个“表格”（csv文件）；3.将csv文件导入Anki；4.修理bug、调整细节、美化卡片。
开始
下面以《十天搞定考研词汇》这本书为例。这是一个完整的例子，我写这篇文章的时候也已经制作完成了，因此我想这篇文章对R语言初学者、有相同需求的人来说都是很有借鉴意义的。 接下来将《十天搞定考研词汇》简称为《十天》。
观察这本书
可以看到，这本书一共有20个单词列表，从list1到list20，背单词的任务分成了10天，每天背两个列表，因此，具体到这本书，我们的任务是：1.将电子书文件中的所有单词都导入到anki中；2.在anki中创建一个总记忆库、再创建20个子记忆库，每个子记忆库保存一个列表的单词；3.单词卡片正面是单词，背面是单词的音标、释义和扩展；4.需要把书中高亮的单词也给标注出来。
步骤1：获取html网页文件、观察结构
凭空变出《十天》的epub或azw3格式的电子书文件。我这里用的是azw3格式的。导入Calibre中，在这本书上点鼠标右键选“Edit book”，在打开的页面中可观察到，每一个列表的单词被单独存放在一个html文件中，选择需要的html文件导出。 观察导出的html文件。这里选取一部分：
### List 1
intellect [ˈɪntəlekt] n. 智力；理解力；[总称] 知识分子
派intellectual [ˌɪntəˈlektʃuəl] adj. 智力的；理智的；聪明的
考点搭配intellectual enquiry 知识探索，知识探求
intellectual achievement 知识成就，智力成果
intellectualize [ˌɪntəˈlektʃuəlaɪz] vt. 使…理智化；对…做理性探讨
contempt [kənˈtempt] n. 轻视，轻蔑
派 contemptible [kənˈtemptəbl] adj. 可鄙的；可轻视的
contemptuous [kənˈtemptʃuəs] adj. 轻视的，蔑视的
ultimate [ˈʌltɪmət] adj. 最后的，最终的
yield [jiːld] n. 产量，收获量；收益 v. 出产；屈服
contend [kənˈtend] vi. 竞争，争夺 vt. 坚决主张，声称
如上所示，每一个词条均被包括在一个p标签中，“主单词”的p标签的class属性值为bodytext，“单词扩展”的class属性为content-yinyong。至于p标签内部，可以看到需要修改css样式的部分都被包括在不同的span标签中，也都有不同的class属性，据此我们可以对它们应用css样式，这放到后面anki卡片样式美化那里再说。 因此我们需要做的有： 1.在R中创建一个数据框，一列是“单词”（字符串）、另一列是“单词释义”（对应的html代码，也是字符串） 2.用爬虫提取所需信息放到上述数据框中。 需要注意的是，一个“主单词”对应的不仅有后面的音标和解释，还可能有下面的“单词扩展”，虽然在书的html代码中二者没有包含关系（是同级并列的），但这两部分内容是要放在一起的，都要放到“主单词”对应的“单词释义”里面。
步骤2：爬虫爬取内容
我们用到的是R的rvest包。
install.packages('rvest')#安装，这句代码只需使用一次
library('rvest')#载入包
载入网页代码[2]：
url = '/Users/aoyu/Desktop/10dayshtml/list20.html'
web = url%>%read_html('UTF-8')
提取需要的代码片段：
md = web%>%html_nodes(xpath='//p')
上面我们通过观察电子书的html代码已知道，我们所需的单词信息都是包括在p标签中的，p标签中都是我们需要的内容，而且我们在这一步不需要区分“主单词”和“单词扩展”，所以我们只使用p标签来筛选即可。 md的类型是xml_nodeset，它内部是一个个的节点，就像html的标签树一样，我们用md[i]可获取它内部第i个节点的代码的简略信息，如执行md[2]：
> md[2]
{xml_nodeset (1)}
[1] effect [ɪˈfekt] n ...
新建一个新的空数据框：
mylist1 <- data.frame(word=character(0), meaning=character(0))
word我们打算用来保存“主单词”字符串，meaning对应的是主单词的释义和单词扩展的html代码串（也是字符串）。 将主单词和单词扩展合并，保存到数据框中： 包裹主单词内容的p标签的class属性值是bodytext，包括单词扩展内容的p标签的class属性值是content-yinyong，据此我们可以把主单词和单词扩展区分开。 遍历变量md中保存的每一条代码段（下面称为节点），如果一个节点的class属性值为bodytext就说明它是一个“主单词”，这时我们从代码段中提取出这个单词的字符串保存到word变量中，并把代码段保存到meaning变量中（作为“单词释义”），二者作为一个“观测”保存到数据框mylist1中；如果一个节点的class属性值为content-yinyong，说明它是前面与它相临的“主单词”的“单词扩展”，就把它的内容合并到前面与它相临的“主单词”的内容中（meaning变量中）。 怎样把xml_nodeset类型的变量中的html代码输出到一个数据框中呢，这个问题着实困扰了我好久，用as.character()函数即可[3]。
#将附加单词内容与主单词内容合并
for (i in 1:length(md)) {
if (md[i]%>%html_attr('class')=="bodytext") {
word <- md[i]%>%html_nodes(".jiacu")%>%html_text()
meaning <- md[i] %>% as.character
mylist1 <- rbind(mylist1,c(word,meaning))
} else if (md[i]%>%html_attr('class')=="content-yinyong") {
mylist1[length(mylist1[,1]),2] <- paste(mylist1[length(mylist1[,1]),2],md[i] %>% as.character)
}
}
这样一个过程完成后，我们就得到了一个两列的数据框，数据框左边一列是单词，右边一列是html代码，这段代码不仅包含了音标、释义等内容，还包含了单词扩展的内容。如图：
输出到csv文件：
write.table(mylist1, file = "/Users/aoyu/Desktop/10dayscsv/mylist1.csv", row.names=FALSE,col.names=FALSE, sep=",")
上面代码的意思是输出数据框mylist1中的数据到mylist1.csv文件中，不包含row.names行名和col.names列名，内容以英文逗号分隔。
步骤3：将csv文件导入anki
在得到csv文件后，我用excel打开发现中文乱码，其他软件正常、但密密麻麻的很难看，知道是excel的问题、csv文件没问题就好，索性就不细细检查了（为后面的bug埋下伏笔，之后我安装了LibreOffice）。
打开anki，在菜单中选择“工具”——“导入”，选择刚才得到的csv文件。接下来的设置，我是这样做的：
注意选中“允许在字段中使用HTML”。
导入完成后试一下，卡片没有美化，不过内容显示“好像”是正常的，似乎我们离成功已经很近了。但卡片内容后那一个小小的引号提醒我们，事情并没有我们想象的这么美好。
步骤4：修理bug、调整细节、美化卡片
修理bug1
既然“看起来”一切正常，那剩下要做的就是美化卡片了。
但我在修改卡片css的时候发现，添加的css样式似乎不起作用。打开编辑框，选择“编辑HTML”看一下：
为什么会出现这么多的“"”？？？最后的那个引号是什么时候出现的？？？
经过检查，发现是导入anki时出的问题，准确地说是anki的bug，anki不能正确识别csv文件内容中的双引号。又过了不知道多长时间，半个小时？我想到了解决方法，就是给输出csv文件的write.table()函数加个参数qmethod，帮助文档中对这个参数的解释如下：
a character string specifying how to deal with embedded double quote characters when quoting strings.
上面输出csv文件的代码应修改为：
write.table(mylist1, file = "/Users/aoyu/Desktop/10dayscsv/mylist1.csv", row.names=FALSE,col.names=FALSE, sep=",",qmethod = "double")
这样在csv文件中，对于内容中的引号，不再是以\”的方式转义，而是以””的形式转义。 再次将csv文件导入anki，一切正常。
美化卡片
修理了bug后，这样看起来似乎一切又美好起来了。那接下来开始美化卡片吧。我是模仿《十天》纸质书来修改卡片样式的，这里不多讲，我对CSS已经很生疏了。效果如下：
看起来好像还不错。但因为源文件的限制，不能做的和纸质书一模一样。
CSS代码如下：
.card {
font-family: serif;
font-size: 20px;
text-align: center;
background-color: white;
}
p {
text-align: justify;
}
p.bodytext {
border-top: 2px solid #87CEFA;
}
p.bodytext .jiacu {
background-color: #87CEFA;
font-weight: bold;
font-size: 1.25em;
}
p .blue-title {
color: #00A1E9;
}
p .juli {
color: white;
background-color: grey;
margin-right: 16px;
}
p.content-yinyong {
font-size: 0.85em;
text-indent: 40px;
}
p .juli0 {
margin-right: 16px;
border: 1px solid grey;
}
好像一切都很美好。
修理bug2
昨天是我背《十天》的第10天，晚上还要复习6个列表的单词，索性我就用Anki来复习了。
背着背着我就发现，出bug了。如图：
怎么只显示了音标、释义和扩展，唯独没有“主单词”？
瞬间我就明白过来。上面我们看到，在电子书的html代码中，“主单词”那个词条被class属性值为bodytext的p标签包裹着，而“单词扩展”那个词条被class属性值为content-yinyong的p标签包裹着，而我忽略的一点是，很少一部分的单词有两种发音、对应两个含义，在html代码中，分别用不同的p标签包裹着，且class属性值都是bodytext，这样它们就被当成了两个单词。
怎么修改呢，我们需要修改“将主单词和单词扩展合并，保存到数据框中”这部分的代码。我的修改如下：
#将附加单词内容与主单词内容合并
for (i in 1:length(md)) {
if (md[i]%>%html_attr('class')=="bodytext" & length(md[i]%>%html_nodes(".jiacu")%>%html_text())) {#修bug，增加条件，判断span.jiacu里面有没有内容
word <- md[i]%>%html_nodes(".jiacu")%>%html_text()
meaning <- md[i] %>% as.character
mylist1 <- rbind(mylist1,c(word,meaning,paste("list",j,sep="")))#有补充，添加标签到每个anki卡片
} else { #去掉else if判断条件
mylist1[length(mylist1[,1]),2] <- paste(mylist1[length(mylist1[,1]),2],md[i] %>% as.character)
}
}
遍历到一个节点时，不仅看它的class属性，而且看它内部有没有一个class属性为jiacu的span标签，两者结合起来判断这个节点是否为“主单词”节点。不再判断一个节点是否为“单词扩展”节点，不满足条件的统统按“其他”处理。 好像世界又变得美好了。
调整细节
在《十天》这本书里，我们要处理的一共有20个列表，也就是20个html文件，如果手动一个一个转换的话，未免不够“优雅”，也很浪费时间，这个过程不如也交给程序来做。 这里插入一个小细节，在RStudio中，“清屏”的快捷键是Ctrl+L；清除环境变量需要在控制台输入rm(list=ls())。在Matlab中，一个是clc，一个是clear，感觉还是Matlab更顺手。 如果导出20个csv文件，那么在anki中就要再导入20次，十分麻烦，不如在R程序中，只导出1个csv文件，而通过“加标签”的方式区分不同列表的单词，也就是给数据框再增加一列，这一列保存每个单词所处的列表。
汇总
综上，R程序如下（总）：
#install.packages('rvest')
#library('rvest')
rm(list=ls())
#url = 'https://xiake.me/usr/uploads/2020/07/3715819721.html'
for (j in 1:20) {
url = paste('/Users/aoyu/Desktop/10dayshtml/list',j,'.html',sep="")
web = url%>%read_html('UTF-8')
#md = web%>%html_nodes(css = 'p.list1')
#md = web%>%html_nodes(xpath='//p[@class = "bodytext list1"] | //p[@class = "content-yinyong list1"]')
md = web%>%html_nodes(xpath='//p')
#md1 = md %>% as.character #将xml_nodeset变成字符
#新建一个空数据框
mylist1 <- data.frame(word=character(0), meaning=character(0), taghao=character(0))
#mylist1 <- edit(mylist1)
#将附加单词内容与主单词内容合并
for (i in 1:length(md)) {
if (md[i]%>%html_attr('class')=="bodytext" & length(md[i]%>%html_nodes(".jiacu")%>%html_text())) {#修bug，增加条件，判断span.jiacu里面有没有内容
word <- md[i]%>%html_nodes(".jiacu")%>%html_text()
meaning <- md[i] %>% as.character
mylist1 <- rbind(mylist1,c(word,meaning,paste("list",j,sep="")))#有补充，添加标签到每个anki卡片
} else { #去掉else if判断条件
mylist1[length(mylist1[,1]),2] <- paste(mylist1[length(mylist1[,1]),2],md[i] %>% as.character)
}
}
write.table(mylist1, file = paste("/Users/aoyu/Desktop/10dayscsv/mylist",j,".csv",sep=""), row.names=FALSE,col.names=FALSE, sep=",",qmethod = "double")
write.table(mylist1, file = paste("/Users/aoyu/Desktop/10dayscsv/mylist",".csv",sep=""), row.names=FALSE,col.names=FALSE, sep=",",qmethod = "double",append=TRUE)
}
代码中有一些被我注释掉的语句，我贴上来的时候没有去掉是因为觉得可以帮助理解。
一张截图：
在最后
虽然代码很短，但我写的时候遇到了很多困难，完成这个程序让我感觉我对R处理问题的逻辑有了进一步的了解。我受C语言的影响还是蛮大的，从上面的代码中还能看到C语言的影子。 我遇到的问题基本都是在外网搜索找到的解答。管中窥豹，感觉R社区的交流氛围应该是挺好的，不过这也不能掩盖帮助文档做的太不人性化的事实，我看过的软件、程序的帮助文档，还就属Matlab的最好。 我已经很尽力地去准确还原我的思考过程了。 在文章开头我说，以前Anki没有给我带来任何帮助但这一次应该会好很多。对应的，下面我也给出几点原因： 1.制作卡片不再需要很多时间。虽然《十天》这本书结构很简单，但我写的这个程序稍加修改就是可以应用到其他卡片制作当中的。 2.既然自己制作卡片这么省事，那也就不用考虑用别人的卡片不合心意的问题了，自己做就好。 3.因为我是先用纸质书背了10天的《十天》，书中的全篇内容实际上我都已经读了好几遍了，再看到书中一个单词的时候，可能我不知道它的含义，但一定知道它在书上出现过。用anki背卡片感觉不踏实无非是对自己的记忆效果没有一个准确的定位，但先用纸质书背过之后，就相当于给自己打了个底，知道自己用anki之后总不可能比之前更差，而且卡片内容是自己已经过了几遍的，也不会说看着几千张卡片手足无措、感觉黑暗一眼望不到头，至于说成就感，我过去10天里把纸质书过了几遍就已经很有成就感了。 至于做好的卡片，我不知道分享出来是否有侵权的嫌疑，就不分享了。认真思考一下，用我上面的代码自己也能做出来。
参考资料
[1] R语言实战（第2版）
[2] “简单粗暴”的R语言爬虫·其一 https://zhuanlan.zhihu.com/p/77777024
[3] R – xmlnodeset output into dataframe or table https://stackoverflow.com/questions/37960580/r-xmlnodeset-output-into-dataframe-or-table