CCL语料库

提供者：崔欣、邢丹、韦国睿

网址：http://ccl.pku.edu.cn:8080/ccl_corpus/index.jsp

CCL语料库即北京大学现代汉语语料库，由北京大学中国语言学研究中心(Center for Chinese Linguistics PKU)开发,期间得到了北京大学计算语言学研究所、中科院计算技术研究所等单位的大力支持和帮助。

CCL语料库及其检索系统为纯学术非盈利性质,语料库中的中文文本未经分词处理,检索系统以汉字为基本单位。CCL汉语语料库总字符数为783463175,其中现代汉语语料库总字符数为581794456，古代汉语语料201,668,719字。语料库中所包含的语料涉及的文献时间从公元前11世纪-当代，所涉及的文献也种类颇丰。

该语料库多用于对现代汉语中的语言现象进行分析、与国外语料库做对比研究等。在使用时，使用者应自行核对语料的准确性，再根据语料进行研究。

CCL的语料库有部分口语（北京话调查）语料，包含部分影视作品（如百家讲坛、周星驰电影等）语料，网络语料，书面语语料。其中，报纸语料占绝对大比例。CCL最新一次更新，增加了许多学术论文语料；此外CCL还有古代汉语和中英双语语料库，其中双语语料库不对外。 CCL是生语料库（除了分类、题目、作者等元信息外），正文部分未经过任何加工处理。支持复杂检索表达式（比如不相邻关键字查询，指定距离 查询，等等）；支持对标点符号的查询（比如查询“？”可以检索语料库 中所有疑问句）；支持在“结果集”中继续检索；用户可定制查询结果的显示方式（如左右长度，排序 等）；用户可从网页上下载查询结果(text文件)； CCL提供了丰富的，针对字符串的检索功能，尤其是模式匹配，让生语料库也可以满足多样性的研究需求；可以下载所有检索结果，这一点非常开放（结合左右最多显示字数，可以下载完整的检索结果）

CCL语料库的查询分为普通查询、批量查询和模式查询。对于查询内容也可以进行选择，分为现代汉语和古代汉语，在“选择范围”中还可以具体到朝代和时期。

1、普通查询：

我们可以输入三种形式的关键词，分别是：纯文本、文本+符号、文本+符号+数字

·纯文本：即不包括任何特殊符号和空格的文字。

·文本+符号：这一类中可以使用的符号有【空格】（文本【空格】文本…）和|（文本|文本|文本…）。

·文本+符号+数字：这一类型有两种的格式。文本+“$/#/+/-/~”+数字+文本、 文本+“$/#/+/-/~”+数字+“!”+文本。

在普通查询中具有九种符号，分别是（空格）、 | 、$ 、# 、+ 、- 、~ 、! 、 :

·（空格） 相当于“并”，同时搜索被空格隔开的关键词，显示的结果是全部内容中同时包含所搜索的关键词的文章，显示分别包含关键词的句子。

·| 相当于“或”，显示的结果为包含关键词其中之一的文章中的句子。

·$ 表示按照所写关键词从左到右的顺序出现在同一句中，关键词之间相隔的字符数小于等于数字，如：我$10你，搜索出的句子中我、你间隔小于等于10。

·# 表示关键词同时出现在同一句的句子，不考虑前后次序，关键词之间的间隔小于等于数字。

·+ 表示按照关键词从左到右的顺序出现在同一句中，关键词之间的间隔正等于数字。

·- 表示按照关键词从左到右的顺序出现，且查询的关键词之间距离大于数字，如我-10你，搜索出的句子中，你出现在我的右侧，且距离大于10。

·~ 表示按照关键词从右到左的顺序出现，且查询的关键词之间距离大于数字，如我~10你，搜索出的句子中，你出现在我的左侧，且距离大于10。

·! 表示它后面的关键词是本次查询的主关键字符串，显示查询结果时以该“简单项”作为中心来进行定位。

·: 使用方法author:作者名、name:篇名、type:类型、ch:中文句子、pattern:特殊模式（如叠词AABB等）、translator:译者、enname:英文篇名等关键字后面，用于分隔关键字和它们的取值。如：name:诗经

（注意：上述符号均要使用英语格式）

2、批量查询

可以上传要查询的文件，最多字数30字，要求文件里是全部符合普通查询表达式（但是在使用时没有出结果，暂没有找到原因）。

3、模式查询

如果我们想要查询“越…越…”,查询表达式为“越(A)越(B)”,如果前后想要查询一致的词语可以写为“越(A)越(A)”,A、B可用任何字母代替，大小写不限。

所查询的A和B都可以约束长度，表达方式为“(A,=3)”，表示要求A的长度为3；“(A,