搜狗词库转为txt格式(小小输入法)
来源:互联网 发布:淘宝店铺怎么铺货 编辑:程序博客网 时间:2024/05/17 04:08
在linux平台下把搜狗词库导入到小小输入法
前几天换成了小小输入法,感觉还不错,后来发现原来还可以导入搜狗词库的,不错。
看到了这篇帖子http://bucunzai.net/2011/04/cell_dict_to_yong_input/,里面介绍的搜狗scel词库转换为txt的工具是window的程序,对于我们这些linux工作者来说难道还得找个windows系统啊,太麻烦了,所以我抽世间研究了一下,写了一个python脚本,直接把scel格式转换为txt,提供给小小输入法使用。
#!/usr/bin/python# -*- coding: utf-8 -*-import structimport sysimport binascii import pdb#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__': #将要转换的词库添加在这里就可以了 o = ['计算机词汇大全【官方推荐】.scel', 'IT计算机.scel', '计算机词汇大全【官方推荐】.scel', '北京市城市信息精选.scel', '常用餐饮词汇.scel', '成语.scel', '成语俗语【官方推荐】.scel', '法律词汇大全【官方推荐】.scel', '房地产词汇大全【官方推荐】.scel', '手机词汇大全【官方推荐】.scel', '网络流行新词【官方推荐】.scel', '歇后语集锦【官方推荐】.scel', '饮食大全【官方推荐】.scel', ] for f in o: deal(f) #保存结果 f = open('sougou.txt','w') for count,py,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('{%(count)s}' %{'count':count}+py+' '+ word).encode('GB18030') )#最终保存文件的编码,可以自给改 f.write('\n') f.close()
- 搜狗词库转为txt格式(小小输入法)
- QQ拼音输入法词库和搜狗输入法词库[相互导入](使用Excel公式)
- 搜狗输入法导入Google词库bug
- 小企鹅fcitx输入法导入搜狗scel词库方法
- 输入法词库 转txt 工具 一个开源项目
- 搜狗细胞词库处理代码(可用于scel转txt)
- java解析搜狗词库scel文件到txt
- 将搜狗词库.scel格式转化为.txt格式
- 将搜狗词库.scel格式转化为.txt格式
- 各大输入法分类词库内部格式的简单比较
- 关于各大输入法词库格式之间的转换
- 搜狗词库解码
- 搜狗词库爬虫(1):基础爬虫架构和爬取词库分类
- 各大输入法分类词库内部格式的简单比较 (2013-02-17 14:03:11)
- 将三星手机备忘录vnt格式文件转为txt格式备份
- txt文档转为csv格式后出现#NAME%情况
- 百度词库格式分析
- 搜狗细胞词库-fcitx&ibus拼音输入法词库
- Mysql学习笔记:Mysql服务器体系结构(一)
- 抽象类与接口
- 在堆中分配空间,需要手动delete才会执行析构函数.
- 归并排序(合并排序)
- 跋涉不止(20)
- 搜狗词库转为txt格式(小小输入法)
- JXL获取excel批注
- iOS开发技术复查表
- Pet Net 需求文档
- 详解C的异常处理机制(goto\setjmp longjmp)
- 昔日地王辉煌殆尽 房地产市场企盼被 救赎
- 使用x264把avi容器格式压制成flv,mkv容器格式
- 在VS2008中进行javascript脚本调试
- 安装Fedora 15后需做的25件事情