python - 搜狗词库（.scel 文件转 txt）

解析示例：

词库名：妖神记【官方推荐】
词库类型：动漫
描述信息：妖神记妖神一出，谁与争锋！霸气词库来袭，小编整理了其中的家族，人名，武器等，让你打出字来so easy。欢迎大家前来补充哦！
词库示例：天道之力圣血翼蛟天痕世家圣灵大陆龙墟界域
解析妖神记【官方推荐】.scel -> /Users/xxx/Downloads/搜狗词库/output/妖神记【官方推荐】.txt

代码：

# -*- coding: utf-8 -*-
import struct
import os
import time
'''
2021-04-21 搜狗词库 scel 转 txt
'''
# 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
#
_debug = True
_debug = False
# scel所在文件夹路径
in_path = r"/Users/xxx/Downloads/搜狗词库"
# 输出词典所在文件夹路径
out_path = r"/Users/xxx/Downloads/搜狗词库/output"
# 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class LibInfo:name = ''type = ''desc = ''case = ''pinyinDict = Nonecn_chars = None# 原始字节码转为字符串
def byte2str(data):pos = 0str = ''while pos < len(data):c = chr(struct.unpack('H', bytes([data[pos], data[pos + 1]]))[0])if c != chr(0):str += cpos += 2return str# 获取拼音表
def getPyTable(data):data = data[4:]pos = 0while pos < len(data):index = struct.unpack('H', bytes([data[pos],data[pos + 1]]))[0]pos += 2lenPy = struct.unpack('H', bytes([data[pos], data[pos + 1]]))[0]pos += 2py = byte2str(data[pos:pos + lenPy])GPy_Table[index] = pypos += lenPyreturn GPy_Table# 获取一个词组的拼音
def getWordPy(data):pos = 0ret = ''while pos < len(data):index = struct.unpack('H', bytes([data[pos], data[pos + 1]]))[0]ret += GPy_Table[index]pos += 2return ret# 读取中文表
def getChinese(data):GTable = []pos = 0while pos < len(data):# 同音词数量same = struct.unpack('H', bytes([data[pos], data[pos + 1]]))[0]# 拼音索引表长度pos += 2py_table_len = struct.unpack('H', bytes([data[pos], data[pos + 1]]))[0]# 拼音索引表pos += 2py = getWordPy(data[pos: pos + py_table_len])# 中文词组pos += py_table_lenfor i in range(same):# 中文词组长度c_len = struct.unpack('H', bytes([data[pos], data[pos + 1]]))[0]# 中文词组pos += 2word = byte2str(data[pos: pos + c_len])# 扩展数据长度pos += c_lenext_len = struct.unpack('H', bytes([data[pos], data[pos + 1]]))[0]# 词频pos += 2count = struct.unpack('H', bytes([data[pos], data[pos + 1]]))[0]# 保存GTable.append((count, py, word))# 到下个词的偏移位置pos += ext_lenreturn GTabledef getLibInfo(file_name):print('-' * 60)with open(file_name, 'rb') as f:data = f.read()libInfo = LibInfo()libInfo.name = byte2str(data[0x130:0x338])libInfo.type = byte2str(data[0x338:0x540])libInfo.desc = byte2str(data[0x540:0xd40])libInfo.case = byte2str(data[0xd40:startPy])print("词库名：", libInfo.name) # .encode('GB18030')print("词库类型：",libInfo.type)print("描述信息：", libInfo.desc)print("词库示例：",libInfo.case)libInfo.pinyinDict = getPyTable(data[startPy:startChinese])# print(lst)libInfo.cn_chars = getChinese(data[startChinese:])return libInfoif __name__ == '__main__':fin = [fname for fname in os.listdir(in_path) if fname[-5:] == ".scel"]print('所有词库文件',fin)for f in fin:file_path=(os.path.join(out_path, str(f).split('.')[0] + '.txt'))try:dt = time.strftime('%Y-%m-%d %H:%M:%S',time.localtime(time.time()))libInfo = getLibInfo(os.path.join(in_path, f))# 保存结果with open(file_path,'w+',encoding='utf-8')as file:file.write('#词库名:%s\r\n'%libInfo.name)file.write('#词库类型:%s\r\n'%libInfo.type)file.write('#描述信息:%s\r\n'%libInfo.desc)file.write('#词库示例:%s\r\n'%libInfo.case)file.write('#词数:%s\r\n'%len(libInfo.cn_chars))file.write('#时间:%s\r\n'%dt)file.write('#%s\r\n'%('~'*30))for (freq,py,w) in libInfo.cn_chars:file.write('%s\t%s\t%s\r\n'%(w,py,freq))print('解析 %s -> %s'%(f,file_path))except Exception as e:print('解析异常:'+f,e)if _debug:print('终止 debug=',_debug)break'''
>>> f = open('test.txt', 'w',encoding='utf-8') # 若是'wb'就表示写二进制文件
>>> f.write('Hello, world!')
>>> f.close()
python文件对象提供了两个“写”方法： write() 和 writelines()。
write()方法和read()、readline()方法对应，是将字符串写入到文件中。
writelines()方法和readlines()方法对应，也是针对列表的操作。它接收一个字符串列表作为参数，将他们写入到文件中，换行符不会自动的加入，因此，需要显式的加入换行符。
关于open()的mode参数：
'r'：读
'w'：写
'a'：追加
'r+' == r+w（可读可写，文件若不存在就报错(IOError)）
'w+' == w+r（可读可写，文件若不存在就创建）
'a+' ==a+r（可追加可写，文件若不存在就创建）
对应的，如果是二进制文件，就都加一个b就好啦：
'rb'　　'wb'　　'ab'　　'rb+'　　'wb+'　　'ab+'
'''

python - 搜狗词库（.scel 文件转 txt）相关推荐

爬取词库，使用jieba分词库，自定义dict.txt文件+将搜狗词库.scel文件为.txt文件
一:爬取词库,使用jieba分词库,自定义dict.txt文件 import jiebafrom urllib.request import urlopen from bs4 import Beaut ...
搜狗词库scel格式转为txt格式（python3版本）
1.想用搜狗的词库来辅助jieba分词,需要把词库从scel转成txt格式. 在网上找到了大神的python2版本,https://blog.csdn.net/zhangzhenhu/article/ ...
java scel_使用java将搜狗词库.scel文件转化为.txt文件
需求:批量将.scel文件转化为可视的txt文件(支持1对1,多对1,多对多),并从中提取中文词(去重),支持追加内容. 成果: 使用: package com.hxl.files; import j ...
python读取文本两个数字的成语_只要2步！将搜狗词库(scel)转为Python可读的文本...
该楼层疑似违规已被系统折叠隐藏此楼查看此楼将搜狗词库(scel)转化为python可读的文本(text)的方法方法 1. 利用R语言(方法简单) ① 载入词库(R语言) library(Rword ...
将搜狗词库.scel格式转化为.txt格式
[2020年5月28日更新:有一说一,这篇文章是我2017年底在新浪工作时处理家居.房产频道相关业务时的实践,代码是后来从自己代码库直接粘贴的,当然转码部分的代码是借鉴的,当时也是查阅了几种方法,一一 ...
搜狗词库的批量下载#Python
在制作电子病历全文索引时,需要建立索引,索引是根据索引词建立的,现有索引词匮乏,不能满足需求,搜寻之后,发现搜狗输入法的医学词库很庞大,所以,想着自学写一个Python脚本,完成词库的自动下载工作. ...
PHP高性能输出UNICODE正则汉字列表汉字转拼音多音字解决方案搜索引擎分词细胞词库更新搜狗词库提取TXT...
为什么80%的码农都做不了架构师?>>> 目前现状汉字转拼音难度大就大在多音字!行业上较准确的是基于词语.成语的识别.搜狗有1万多词库每个词库又很大: 比如: 了我们 ...
Python：文本分析必备—搜狗词库
全文阅读:Python:文本分析必备-搜狗词库| 连享会主页目录 1. 引言 2. 词典的妙用 3. 搜狗词库的下载 3.1 抓取12个页面链接 3.2 爬取所有词库名称和下载链接 3.3 下载细胞 ...
coreseek 词库导入搜狗词库
2019独角兽企业重金招聘Python工程师标准>>> 先到搜狗官方找你需要的词库.下载然后用深蓝词库转换.exe 此软件转换成txt文件才能开导咯ini_set('max_ex ...
Windows下小狼毫输入法（Rime）的安装与配置（含导入搜狗词库）
Windows下小狼毫输入法(Rime)的安装与配置(含导入搜狗词库) 最近彻底烦透了搜狗拼音输入法的各种流氓行为,自动升级不说,还在后台偷偷下载搜狗浏览器,卸了又下载,还自动弹出搜狐新闻,一怒之下把 ...

python - 搜狗词库（.scel 文件转 txt）

python - 搜狗词库（.scel 文件转 txt）相关推荐

最新文章

热门文章

python - 搜狗词库 （.scel 文件转 txt）

python - 搜狗词库 （.scel 文件转 txt）相关推荐

最新文章

热门文章

python - 搜狗词库（.scel 文件转 txt）

python - 搜狗词库（.scel 文件转 txt）相关推荐