python - 搜狗词库 （.scel 文件转 txt）

python - 搜狗词库 （.scel 文件转 txt）

解析示例：

# -*- coding: utf-8 -*-
import struct
import os
import time
'''
2021-04-21 搜狗词库 scel 转 txt
'''
# 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
#
_debug = True
_debug = False
# scel所在文件夹路径
in_path = r"/Users/xxx/Downloads/搜狗词库"
# 输出词典所在文件夹路径
out_path = r"/Users/xxx/Downloads/搜狗词库/output"
# 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

class LibInfo:
    name = ''
    type = ''
    desc = ''
    case = ''
    pinyinDict = None
    cn_chars = None

# 原始字节码转为字符串
def byte2str(data):
    pos = 0
    str = ''
    while pos < len(data):
        c = chr(struct.unpack('H', bytes([data[pos], data[pos + 1]]))[0])
        if c != chr(0):
            str += c
        pos += 2
    return str

# 获取拼音表
def getPyTable(data):
    data = data[4:]
    pos = 0
    while pos < len(data):
        index = struct.unpack('H', bytes([data[pos],data[pos + 1]]))[0]
        pos += 2
        lenPy = struct.unpack('H', bytes([data[pos], data[pos + 1]]))[0]
        pos += 2
        py = byte2str(data[pos:pos + lenPy])

        GPy_Table[index] = py
        pos += lenPy
    return GPy_Table

# 获取一个词组的拼音
def getWordPy(data):
    pos = 0
    ret = ''
    while pos < len(data):
        index = struct.unpack('H', bytes([data[pos], data[pos + 1]]))[0]
        ret += GPy_Table[index]
        pos += 2
    return ret

# 读取中文表
def getChinese(data):
    GTable = []
    pos = 0
    while pos < len(data):
        # 同音词数量
        same = struct.unpack('H', bytes([data[pos], data[pos + 1]]))[0]

        # 拼音索引表长度
        pos += 2
        py_table_len = struct.unpack('H', bytes([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 range(same):
            # 中文词组长度
            c_len = struct.unpack('H', bytes([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', bytes([data[pos], data[pos + 1]]))[0]
            # 词频
            pos += 2
            count = struct.unpack('H', bytes([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
    return GTable


def getLibInfo(file_name):
    print('-' * 60)
    with open(file_name, 'rb') as f:
        data = f.read()

    libInfo = LibInfo()
    libInfo.name = byte2str(data[0x130:0x338])
    libInfo.type = byte2str(data[0x338:0x540])
    libInfo.desc = byte2str(data[0x540:0xd40])
    libInfo.case = byte2str(data[0xd40:startPy])
    print("词库名：", libInfo.name) # .encode('GB18030')
    print("词库类型：",libInfo.type)
    print("描述信息：", libInfo.desc)
    print("词库示例：",libInfo.case)

    libInfo.pinyinDict = getPyTable(data[startPy:startChinese])
    # print(lst)
    libInfo.cn_chars = getChinese(data[startChinese:])
    return libInfo

if __name__ == '__main__':
    fin = [fname for fname in os.listdir(in_path) if fname[-5:] == ".scel"]
    print('所有词库文件',fin)
    for f in fin:
        file_path=(os.path.join(out_path, str(f).split('.')[0] + '.txt'))
        try:
            dt = time.strftime('%Y-%m-%d %H:%M:%S',time.localtime(time.time()))
            libInfo = getLibInfo(os.path.join(in_path, f))
            # 保存结果
            with open(file_path,'w+',encoding='utf-8')as file:
                file.write('#词库名:%s\r\n'%libInfo.name)
                file.write('#词库类型:%s\r\n'%libInfo.type)
                file.write('#描述信息:%s\r\n'%libInfo.desc)
                file.write('#词库示例:%s\r\n'%libInfo.case)
                file.write('#词数:%s\r\n'%len(libInfo.cn_chars))
                file.write('#时间:%s\r\n'%dt)
                file.write('#%s\r\n'%('~'*30))
                for (freq,py,w) in libInfo.cn_chars:
                    file.write('%s\t%s\t%s\r\n'%(w,py,freq))
            print('解析 %s -> %s'%(f,file_path))
        except Exception as e:
            print('解析异常:'+f,e)
        if _debug:
            print('终止 debug=',_debug)
            break


'''
>>> f = open('test.txt', 'w',encoding='utf-8') # 若是'wb'就表示写二进制文件
>>> f.write('Hello, world!')
>>> f.close()
python文件对象提供了两个“写”方法： write() 和 writelines()。
write()方法和read()、readline()方法对应，是将字符串写入到文件中。
writelines()方法和readlines()方法对应，也是针对列表的操作。它接收一个字符串列表作为参数，将他们写入到文件中，换行符不会自动的加入，因此，需要显式的加入换行符。
关于open()的mode参数：
'r'：读
'w'：写
'a'：追加
'r+' == r+w（可读可写，文件若不存在就报错(IOError)）
'w+' == w+r（可读可写，文件若不存在就创建）
'a+' ==a+r（可追加可写，文件若不存在就创建）
对应的，如果是二进制文件，就都加一个b就好啦：
'rb'　　'wb'　　'ab'　　'rb+'　　'wb+'　　'ab+'
'''