python搜狗拼音输入法词库转谷歌拼音输入法词库

 代码如下 复制代码

class sogou{
    ctor( sogouData ){
        if( #sogouData < 0x104/*_MAX_PATH*/ ){
            s = ..string.load(sogouData);
            if(s) sogouData = s;
            startPy = 0x1540+1;
            startChinese = 0x2628+1;
            pyTable = {};
        }
        if(..string.left(sogouData,12) != '\x40\x15\x00\x00\x44\x43\x53\x01\x01\x00\x00\x00')
            return null,"数据或路径不是搜狗(.scel)词库";
    };
    
    getDescription = function(){
        return {
            name = fromUnicode(sub(s,0x131,0x338));
            dicType = fromUnicode(sub(s,0x339,0x540));
            description = fromUnicode(sub(s,0x541,0xd40));
            demo = fromUnicode(sub(s,0xd41,0x1540));
        }
    }
    
    getPyTable = function(){
        var data = sub( s,startPy,startChinese-1);
        if ..string.left(data,4)!='\x9D\x01\x00\x00'
            return null;
        data = sub( data,5,-1 );
        var pos = 1;
        var len = #data;
        while(pos<len){
            index = (data[pos+1]<<8)+data[pos]
            pos+=2
            l = (data[pos+1]<<8)+data[pos]
            pos += 2
            py = fromUnicode(sub(data,pos,pos+l))
            pyTable[index] = py
            pos += l
        }
    }
    
    getWordPy = function(data){
        var pos = 1;
        var len = #data;
        var ret = ""
        while(pos<len){
            var index = (data[pos+1]<<8)+data[pos]
            ret = concat(ret,pyTable[index]," ")
            pos += 2
        }
        return trimright(ret);
    }
 
    nextEntry = function(){
        this.getPyTable();
        var data = sub( s,startChinese,-1);
        var pos = 1;
        var len = #data;
        var same = 0
        return function(){
            if(pos>len){
                return null;
            }
            if(same==0){
                same = (data[pos+1]<<8)+data[pos];
                pos += 2
                pyTableLen = (data[pos+1]<<8)+data[pos];
                
                pos += 2
                py = this.getWordPy(sub(data,pos,pos+pyTableLen))
                
                pos += pyTableLen
            }
            cLen = (data[pos+1]<<8)+data[pos];
            
            pos += 2 
            
            word = fromUnicode(sub(data,pos,pos + cLen))
            
            pos += cLen 
            extLen = (data[pos+1]<<8)+data[pos];
        
            pos += 2
            count = (data[pos+1]<<8)+data[pos];
 
            pos += extLen
            same--
            return count,py,word;
        };
    }
}
 
namespace sogou{
    fromUnicode = ..string.fromUnicode
    sub = ..string.sub
    concat = ..string.concat
    trimright = ..string.trimright
}

调用方法:

import console
 
//获取词库描述信息
sg = sogou("E:\计算机词汇大全【官方推荐】.scel")
console.varDump( sg.getDescription() )
 
//遍历搜狗输入法词库并保存为谷歌输入法词库
file = ..io.open( "E:\google.txt","w" )
for(count,py,word in sg.nextEntry()){
    file.write( word,'\t',count,'\t',py,'\n')
 
}
file.close()
 
console.pause(true)

以上代码参考自一段python代码

python代码备份:

 代码如下 复制代码

#!/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] + 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":
        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 = ['计算机词汇大全【官方推荐】.scel',
    'IT计算机.scel',
    '计算机词汇大全【官方推荐】.scel',
    '北京市城市信息精选.scel',
    '常用餐饮词汇.scel',
    '成语.scel',
    '成语俗语【官方推荐】.scel',
    '法律词汇大全【官方推荐】.scel',
    '房地产词汇大全【官方推荐】.scel',
    '手机词汇大全【官方推荐】.scel',
    '网络流行新词【官方推荐】.scel',
    '歇后语集锦【官方推荐】.scel',
    '饮食大全【官方推荐】.scel',
    ]
    
    for f in o:
        deal(f)
        
    #保存结果 
    f = open('sougou.txt','w')
    for count,py,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('{%(count)s}' %{'count':count}+py+' '+ word).encode('GB18030') )#最终保存文件的编码,可以自给改
        f.write('\n')
    f.close()

时间: 2024-09-14 08:08:03

python搜狗拼音输入法词库转谷歌拼音输入法词库的相关文章

安卓谷歌拼音输入法状态显示

问题描述 安卓谷歌拼音输入法状态显示 安卓谷歌拼音输入法,外接物理键盘,怎么用代码实现显示当前输入法的状态(不用软键盘),如是中文输入还是英文输入等?

谷歌拼音输入法状态栏怎么隐藏?

  谷歌拼音输入法输入法是不少电脑用户都在使用的输入法,其中,谷歌拼音输入法输入法状态栏具有中英切换.全角/半角切换等功能,但是,这一些功能都可以通过快捷键来操作,所以,不少电脑用户都会选择将谷歌拼音输入法输入法状态栏隐藏起来,那么,谷歌拼音输入法输入法状态栏怎么隐藏呢?一起来看看今天的教程吧! 谷歌拼音输入法状态栏隐藏步骤: 点击"属性设置">"外观",选择或取消"显示浮动状态栏",来设置是否显示状态栏. 谷歌拼音输入法状态栏隐藏后恢复显

在线同步词库 谷歌拼音输入法试用

谷歌拼音输入法是谷歌官方推出适用于 Android平台的拼音输入法,支持简体中文输入.在线同步词库,支持包括表情符号.联想词组等功能,使用十分的方便.评测环境安装和使用Android平台输入法的安装与普通软件一样,可以通过PC端同步软件,或直接在电子市场中进行下载安装.想要使用谷歌拼音输入法的话,首先打开 系统设置-语言和键盘,勾选谷歌拼音输入法.之后在任意输入框内长按输入框,会弹出输入法选择窗口,选择谷歌拼音输入法即可.安装和使用(TechWeb配图)QWETY全键盘输入模式谷歌拼音输入法采用

谷歌拼音输入法的快捷键有哪些

谷歌拼音输入法的快捷键有: 中/英文输入法切换:系统默认"Ctrl+Space",具体请看系统的区域和语言设置. 不同输入法间切换:系统默认"Ctrl+Shift",具体请看系统的区域和语言设置. 全/半角切换:"Shift+Space". 中/英文标点切换:Ctrl+.". 使用输入法时中/英文切换:默认是"Shift",可以在属性设置中更改. 在不同的候选项间切换:上箭头.下箭头. 一键搜索:"Ctrl

谷歌拼音输入法怎么打勾和打叉?

  谷歌拼音输入法怎么打勾和打叉?不少网友的电脑安装的是谷歌拼音输入法,这是一款选词准确率比较高的输入法.不过,一位网友向小编询问:谷歌拼音输入法怎么打勾?如果您也有这方面的疑惑的话,就一起来看看今天的谷歌拼音输入法使用教程! 谷歌拼音输入法 谷歌拼音输入法打勾方法如下: 点下小太阳图标,选择软键盘里的数学符号就有√; 谷歌拼音输入法是集丰富的互联网词汇,选词准确率高,支持一键搜索于一体的输入法,可以根据用户在使用时表现出来的输入习惯,谷歌输入法主动为用户下载最合用户输入习惯的语言模型. 附上:

谷歌拼音输入法怎么进行简繁体的快速转换?

  谷歌拼音输入法怎么进行简繁体的快速转换?最近,一位谷歌拼音输入法用户跟小编询问:谷歌拼音输入法怎么进行简繁体转换?在今天的教程中,我们就给大家具体介绍一下谷歌拼音输入法进行简繁体转换的2个方法,大家可以根据的操作习惯进行选择! 谷歌拼音输入法 谷歌拼音输入法怎么进行简繁体转换? 方法一.谷歌拼音输入法简繁体转换快捷键 谷歌拼音简体/繁体切换的键盘的快捷键为Ctrl+Shift+T这三个组合键; 其实,在谷歌输入法设置中也可以自己修改切换! 方法二.手动选择谷歌拼音输入法简繁体转换 右键点击谷

谷歌拼音输入法如何输入顿号

谷歌拼音输入法使用""键输入顿号,该键在键盘中"Enter"键的上方.同时,用户也可以通过编辑自定义短语的方式,个性化定义顿号的输入键位(例如使用"/"键输入顿号).

谷歌拼音输入法可以在win10系统上使用吗?

  谷歌拼音输入法可以在win10系统上使用吗?win10系统推出之后,很多网友都欣然升级了,但是,电脑升级为win10系统之后都有点水土不服,很多瑞按键都不能在win10系统上使用,这可让不少网友都感到很坑.那么,谷歌拼音输入法可以在win10系统上使用吗?在今天的教程中,我们就一起来分享一下可以在win10系统上使用的输入法. 经过多方测试,我们发现:谷歌输入法2.7.24.126版可以正常兼容win10系统.除此之外,以下浏览器也可以在win10系统上使用! 我们都非常熟悉的两款输入法却不

谷歌拼音输入法状态栏怎么隐藏还原

  点击"属性设置">"外观",选择或取消"显示浮动状态栏",来设置是否显示状态栏. 状态栏隐藏后恢复显示步骤 1.右键点击输入法图标,选择设置. 2.在已安装服务中选中谷歌拼音输入法,然后点击属性就能打开谷歌拼音的设置界面了.