解析搜狗词库(python)

#!/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()