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(Rwordseg)

# getwd()

# setwd("F:/project")##设置目录，需要读者手工调整

installDict("./word_library_scel/程序猿词库.scel", dictname ="Coderwords")

# 函数installDict(dictpath, dictname,dicttype = c("text", "scel"), load = TRUE)

② 读取文件(Python语言)

import pandas as pd

Coderwords = pd.read_table("D:\\Users\\R\\R-3.4.4\\library\\Rwordseg\\dict\\Coderwords.dic",header=None,usecols=[0])

如果时间比较赶，那么只学会方法1就可以啦，下面的方法2请忽略~

方法 2 . 利用Python转化(注：Python版本不一致的话，有可能遇到Bug)

实际运行时因为python版本不同转换不能成功，最后终于可行,scel转txt抽取词库

#!/bin/python

# -*- coding: utf-8 -*-

import struct

import sys

import binascii

import pdb

try:

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_len

def 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":

if data[0:12] != bytes(map(ord,"\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 = ['./word_library_scel/编程语言.scel']

for f in o:

deal(f)

# 保存结果

f = open('code.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()