将搜狗词库.scel格式转化为.txt格式

由于项目中要生成一份行业词库，在分词训练前先找了找现成的词库，除了一些大数据训练样本外，发现搜狗词库的内容还是和行业相关度很切合的，而下载的搜狗词库是.scel格式，编码处理过的，无法直接得到txt格式的词语集合，所以就用python脚本将搜狗词库.scel格式文件转化为.txt格式文件。

python代码如下（亲测可用 2017.12.14）：

友情提示，.scel文件重命名为英文，中文会报错

#!/bin/python# -*- coding: utf-8 -*-import structimport sysimport binasciiimport pdbtry:    reload(sys)    sys.setdefaultencoding('utf-8')except:    pass# 搜狗的scel词库就是保存的文本的unicode编码，每两个字节一个字符（中文汉字或者英文字母）# 找出其每部分的偏移位置即可# 主要两部分# 1.全局拼音表，貌似是所有的拼音组合，字典序#       格式为(index,len,pinyin)的列表#       index: 两个字节的整数 代表这个拼音的索引#       len: 两个字节的整数 拼音的字节长度#       pinyin: 当前的拼音，每个字符两个字节，总长len## 2.汉语词组表#       格式为(same,py_table_len,py_table,{word_len,word,ext_len,ext})的一个列表#       same: 两个字节 整数 同音词数量#       py_table_len:  两个字节 整数#       py_table: 整数列表，每个整数两个字节,每个整数代表一个拼音的索引##       word_len:两个字节 整数 代表中文词组字节数长度#       word: 中文词组,每个中文汉字两个字节，总长度word_len#       ext_len: 两个字节 整数 代表扩展信息的长度，好像都是10#       ext: 扩展信息 前两个字节是一个整数(不知道是不是词频) 后八个字节全是0##      {word_len,word,ext_len,ext} 一共重复same次 同音词 相同拼音表# 拼音表偏移，startPy = 0x1540;# 汉语词组表偏移startChinese = 0x2628;# 全局拼音表GPy_Table = {}# 解析结果# 元组(词频,拼音,中文词组)的列表GTable = []def byte2str(data):    '''''将原始字节码转为字符串'''    i = 0;    length = len(data)    ret = u''    while i < length:        x = data[i] + data[i + 1]        t = unichr(struct.unpack('H', x)[0])        if t == u'\r':            ret += u'\n'        elif t != u' ':            ret += t        i += 2    return ret# 获取拼音表def getPyTable(data):    if data[0:4] != "\x9D\x01\x00\x00":        return None    data = data[4:]    pos = 0    length = len(data)    while pos < length:        index = struct.unpack('H', data[pos] + data[pos + 1])[0]        # print index,        pos += 2        l = struct.unpack('H', data[pos] + data[pos + 1])[0]        # print l,        pos += 2        py = byte2str(data[pos:pos + l])        # print py        GPy_Table[index] = py        pos += l        # 获取一个词组的拼音def getWordPy(data):    pos = 0    length = len(data)    ret = u''    while pos < length:        index = struct.unpack('H', data[pos] + data[pos + 1])[0]        ret += GPy_Table[index]        pos += 2    return ret# 获取一个词组def getWord(data):    pos = 0    length = len(data)    ret = u''    while pos < length:        index = struct.unpack('H', data[pos] + data[pos + 1])[0]        ret += GPy_Table[index]        pos += 2    return ret# 读取中文表def getChinese(data):    # import pdb    # pdb.set_trace()    pos = 0    length = len(data)    while pos < length:        # 同音词数量        same = struct.unpack('H', data[pos] + data[pos + 1])[0]        # print '[same]:',same,        # 拼音索引表长度        pos += 2        py_table_len = struct.unpack('H', data[pos] + data[pos + 1])[0]        # 拼音索引表        pos += 2        py = getWordPy(data[pos: pos + py_table_len])        # 中文词组        pos += py_table_len        for i in xrange(same):            # 中文词组长度            c_len = struct.unpack('H', data[pos] + data[pos + 1])[0]            # 中文词组            pos += 2            word = byte2str(data[pos: pos + c_len])            # 扩展数据长度            pos += c_len            ext_len = struct.unpack('H', data[pos] + data[pos + 1])[0]            # 词频            pos += 2            count = struct.unpack('H', data[pos] + data[pos + 1])[0]            # 保存            GTable.append((count, py, word))            # 到下个词的偏移位置            pos += ext_lendef deal(file_name):    print '-' * 60    f = open(file_name, 'rb')    data = f.read()    f.close()    if data[0:12] != "\x40\x15\x00\x00\x44\x43\x53\x01\x01\x00\x00\x00":        print "确认你选择的是搜狗(.scel)词库?"        sys.exit(0)        # pdb.set_trace()    print "词库名：", byte2str(data[0x130:0x338])  # .encode('GB18030')    print "词库类型：", byte2str(data[0x338:0x540])  # .encode('GB18030')    print "描述信息：", byte2str(data[0x540:0xd40])  # .encode('GB18030')    print "词库示例：", byte2str(data[0xd40:startPy])  # .encode('GB18030')    getPyTable(data[startPy:startChinese])    getChinese(data[startChinese:])if __name__ == '__main__':    # 主函数部分    # 将要转换的词库添加在这里就可以了,最好把.scel文件重命名为英文，不然会错误    #房产（我找了五个房产相关的词库，放到了D盘如下位置，在数组中声明他们的位置，然后循环处理，最后写入到一个txt文件夹中）   name = 'fangchan'   o = ['D:/files/scell/fangchanzhongjie.scel',      'D:/files/scell/fangdichancihuidaquan.scel',      'D:/files/scell/fangdichande.scel',      'D:/files/scell/fangdichanfalv.scel',      'D:/files/scell/fangdichanzhuanyeshuyu.scel',      ]    for f in o:        deal(f)        # 保存结果    f = open(name+'.txt', 'w')    for word in GTable:        # GTable保存着结果，是一个列表，每个元素是一个元组(词频,拼音,中文词组)，有需要的话可以保存成自己需要个格式        # 我没排序，所以结果是按照上面输入文件的顺序        #f.write(unicode(word).encode('GB18030'))  # 最终保存文件的编码，可以自给改        f.write(word[2])        f.write('\n')    f.close()

五个词库：

处理完成后的结果（共五千多个词）：