《汉书》服饰信息提取日志

基本信息

• 输入文件：/home/z/my-project/upload/zhengshi/正史/汉书.txt
• 文件大小：2.6MB
• 总行数：4329行
• 编码：UTF-8（含极长行，最大503字符/行）
• 输出目录：/home/z/my-project/upload/正史重制output/汉书/

处理步骤

步骤1：wc -l 统计

• 总行数：4329
• 文件特征：Unicode text, UTF-8, with very long lines

步骤2：grep -c 关键词统计

使用Python逐行匹配（因文件含极长行，bash grep超时），统计77个服饰关键词命中数：

零命中关键词（22个）：帽、幞头、通天冠、武冠、远游冠、半袖、衮服、冕服、燕服、绯、笏、鱼袋、鞶囊、香囊、钗、卤簿、仪仗、绢(1处非服饰义)、绫、缎、品色、赐紫/赐绯/借紫/借绯、冠制

步骤3：grep -n 行号提取

使用Python提取高价值关键词的行号与上下文片段（±20字符），共处理48个关键词，输出约200条匹配记录。

关键发现：

• 文件bash grep处理困难（UTF-8极长行导致超时/编码错误）
• 改用Python逐行读取+字符串匹配，效率高且无编码问题

步骤4：sed上下文提取

对50个关键行号提取±2行上下文，确认以下核心段落：

步骤5：问题与注意事项

1. "袄"8处：多为"袄言"（妖言异写），非服饰义，仅可作语言史料
2. "黄"305处/"白"219处/"青"126处：大量非服饰语境（地名、人名、天象），需人工筛选
3. 零命中词分析：赐紫/赐绯/借紫/借绯/品色等为唐宋制度，汉代无此制；笏、鱼袋亦然
4. 文件编码：含极长行，bash grep超时，必须用Python处理
5. split临时文件：处理过程中产生汉书_part_aa~ai共9个分片，需清理

步骤6：产出文件