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(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()
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...相关推荐
- python读取文本两个数字的成语_【十分钟Python知识点】让文本数据更加生动——词云工具推荐...
stylecloud 是一个 Python 包,它基于流行的 word_cloud 包,并添加了一些有用的功能,从而创建出独特的词云.stylecloud 具备以下特点:为词云提供(任意大小)的图标形 ...
- python读取文本两个数字的成语_R 和 Python 中的文本挖掘:8 个入门小贴士
你希望学习文本挖掘,却发现大多数教程难度跨度很大?或者说你找不到心仪的数据集? 本文将会通过 8 个小贴士帮助你走进文本挖掘之门. 对文本保持好奇 在数据科学世界中,凡事的第一步都是"感到好 ...
- python输入两个数字的成语_一起来写个简单的解释器(2)
上一篇文章中,我们一起实现了计算器的加法功能. 并且,在文末给大家留下了一些练习: 让解释器支持减法运算: 让解释器支持多位整数的运算,例如:12+36: 添加一个方法,让解释器能够处理用户所输入表达 ...
- python输入两个数字的成语_请用 Python 语言编写一个简易的猜数字游戏程序。
import random answer = random.randint(1,10) print('猜数游戏 ') num=input('请输入你猜测的数字 n') guess=int(num) n ...
- 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 ...
- 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. ...
- python怎么验证两个json是不是一样_比较Python中的两个JSON树
我有这种JSON树的文件夹结构.有什么方法可以将它与同类的Json树进行比较以获得差异(文件丢失或不同的文件属性(日期,crc,..)),并将其作为具有不同/缺失文件名称的列表返回.比较Python中 ...
- c语言交换两个数字 位运算_交换两个8位数字| 8086微处理器
c语言交换两个数字 位运算 Problem statement: 问题陈述: To swap two 8 bits numbers using third register on 8086 micro ...
- 解析搜狗词库(python)
#!/usr/bin/python # -*- coding: utf-8 -*-import struct import sys import binascii import pdb #搜狗的sce ...
最新文章
- linux redis 三种启动方式
- python中set和dict类型_python从菜鸟到小仙的成长之路-----Dict和Set类型篇
- sql server 数据脚本生成工具
- 从生物学的角度浅谈前端工程化
- mysql 分表后排序_MySQL优化分库分表,为什么要分表,分表以后如何进行排序查询,业务如何设计?...
- Git 别名(分布式版本控制系统)
- 虎扑入股“造物”App关联公司 后者为模玩、手办平台
- using namespace cocos2d;
- [LibTorch] C++ 调用 PyTorch 导出的模型
- 台大李宏毅Machine Learning 2017Fall学习笔记 (5)Classification: Probabilistic Generative Model
- 关于find指令的一点使用小心得 II
- Rabin-Karp算法详解和实现(python)
- IDEA GIT 单文件回退到指定版本
- 数据挖掘RapidMiner工具使用----聚类K-Means案例分析
- vue 动态添加组件
- 喜大普奔:史上最全的报表模板库免费用!
- 第2章 变量、数据类型、运算符
- Vue消息列表已读/未读状态实时更新及数据更新set()用法
- kuangbin带你飞专题
- 杭电oj刷题(2099)