前言
在一些基本的任務中,構建單詞詞包是其中一項不可避免的任務,爲了不從零開始對詞包進行構建,就要應用一些已有的詞包,下面就是對搜狗 scel詞包解析,代碼比較久了,那時候用的py2。希望能夠對大家有所幫助。
#!/usr/bin/python
# -*- coding: utf-8 -*-
import struct
import sys
import binascii
import pdb
import os
import chardet
#搜狗的scel詞庫就是保存的文本的unicode編碼,每兩個字節一個字符(中文漢字或者英文字母)
startPy = 0x1540;
#漢語詞組表偏移
startChinese = 0x2628;
#全局拼音表
GPy_Table ={}
#解析結果
#元組(詞頻,拼音,中文詞組)的列表
GTable = []
def byte2str(data):
'''''將原始字節碼轉爲字符串'''
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
#獲取拼音表
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
#獲取一個詞組的拼音
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
#獲取一個詞組
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
#讀取中文表
def getChinese(data):
#import pdb
#pdb.set_trace()
pos = 0
length = len(data)
while pos < length:
#同音詞數量
same = struct.unpack('H',data[pos]+data[pos+1])[0]
#print '[same]:',same,
#拼音索引表長度
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])
#中文詞組
pos += py_table_len
for i in xrange(same):
#中文詞組長度
c_len = struct.unpack('H',data[pos]+data[pos+1])[0]
#中文詞組
pos += 2
word = byte2str(data[pos: pos + c_len])
#擴展數據長度
pos += c_len
ext_len = struct.unpack('H',data[pos]+data[pos+1])[0]
#詞頻
pos += 2
count = struct.unpack('H',data[pos]+data[pos+1])[0]
#保存
GTable.append((count,py,word))
#到下個詞的偏移位置
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":
print "確認你選擇的是搜狗(.scel)詞庫?"
pass
print "詞庫名:" ,byte2str(data[0x130:0x338])#.encode('GB18030')
print "詞庫類型:" ,byte2str(data[0x338:0x540])#.encode('GB18030')
print "描述信息:" ,byte2str(data[0x540:0xd40])#.encode('GB18030')
print "詞庫示例:",byte2str(data[0xd40:startPy])#.encode('GB18030')
getPyTable(data[startPy:startChinese])
getChinese(data[startChinese:])
return byte2str(data[0x130:0x338])#.encode('GB18030')
if __name__ == '__main__':
#將要轉換的詞庫添加在這裏就可以了
#rootdir = unicode("D:\詞庫整理" , "utf8")
rootdir = unicode("D:\dic", "utf8")
o = [r'D:\詞庫整理\07外貿英語名單.scel' ]
for rt, dirs, files in os.walk(rootdir):
for f in files :
try :
dic_name = deal(os.path.join(rootdir , f)) ### 處理函數
print dic_name
except Exception:
pass
savef = open(rootdir + "\\" + f + r'sougou.txt','w')
savef.write(unicode(dic_name).encode("utf8")) ### 寫入名稱
for count,py,word in GTable:
#GTable保存着結果,是一個列表,每個元素是一個元組(詞頻,拼音,中文詞組),有需要的話可以保存成自己需要個格式
#我沒排序,所以結果是按照上面輸入文件的順序
savef.write( unicode('{%(count)s}' %{'count':count}+py+' '+ word).encode('utf-8') )#最終保存文件的編碼,可以自給改
savef.write('\n')
savef.close()
GTable = [] #寫完數據 初始化全局變量