[NLP]搜狗词典、百度词典转换成txt文件
将搜狗的scel文件转换成txt格式，从网站上copy的，但是忘记是哪个网站了。
#!/usr/bin/python # -*- coding: utf-8 -*- import struct import sys import 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:i+2] t = chr(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] != bytes(map(ord,"\x9D\x01\x00\x00")): return None data = data[4:] pos = 0 length = len(data) while pos < length: index = struct.unpack('H', data[pos:pos +2])[0] # print index, pos += 2 l = struct.unpack('H', data[pos:pos + 2])[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:pos + 2])[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:pos +2])[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:pos + 2])[0] # print '[same]:',same, # 拼音索引表长度 pos += 2 py_table_len = struct.unpack('H', data[pos:pos + 2])[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 range(same): # 中文词组长度 c_len = struct.unpack('H', data[pos:pos +2])[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:pos +2])[0] # 词频 pos += 2 count = struct.unpack('H', data[pos:pos +2])[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] != 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__': #path = '../datasets/financial_dict/' #files = os.listdir(path) #print("files:{}".format(files)) files = ['data/金融领域词汇.scel'] for f in files: deal(f) f = open('data/金融领域词汇.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()
百度词典转换成txt：
import struct import binascii class Baidu(object): def __init__(self, originfile): self.originfile = originfile self.lefile = originfile + '.le' self.txtfile = originfile[0:(originfile.__len__()-5)] + 'txt' self.buf = [b'0' for x in range(0,2)] self.listwords = [] #字节流大端转小端 def be2le(self): of = open(self.originfile,'rb') lef = open(self.lefile, 'wb') contents = of.read() contents_size = contents.__len__() mo_size = (contents_size % 2) #保证是偶数 if mo_size > 0: contents_size += (2-mo_size) contents += contents + b'0000' #大小端交换 for i in range(0, contents_size, 2): self.buf[1] = contents[i] self.buf[0] = contents[i+1] le_bytes = struct.pack('2B', self.buf[0], self.buf[1]) lef.write(le_bytes) print('写入成功转为小端的字节流') of.close() lef.close() def le2txt(self): lef = open(self.lefile, 'rb') txtf = open(self.txtfile, 'w') words = [] #以字符串形式读取转成小端后的字节流，百度词典的起始位置为0x350 le_bytes = lef.read().hex()[0x350:] i = 0 while i<len(le_bytes): result = le_bytes[i:i+4] i+=4 #将所有字符解码成汉字，拼音或字符 content = binascii.a2b_hex(result).decode('utf-16-be') #判断汉字 if '\u4e00' <= content <= '\u9fff': self.listwords.append(content) else: if self.listwords: word = ''.join(self.listwords) words.append(word) #txtf.write(word + '\n') self.listwords = [] txtf.write('\n'.join(list(set(words)))) print('写入txt成功') lef.close() txtf.close() if __name__ == '__main__': path = 'data/金融领域词汇.bdict' bd = Baidu(path) bd.be2le() bd.le2txt()
