码迷,mamicode.com
首页 > 编程语言 > 详细

解析搜狗词库(python)

时间:2015-04-17 22:06:22      阅读:622      评论:0      收藏:0      [点我收藏+]

标签:

#!/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)
    
    print sys.argv[1]
    deal( sys.argv[1] )
    #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()    

 

解析搜狗词库(python)

标签:

原文地址:http://www.cnblogs.com/feika/p/4435974.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!