Linux下ibus输入法词库扩展

Linux下ibus输入法词库扩展

一、骡子

面向百度编程已经给出了很多方法，但是都没有把真正的资源给你，都是链接到国外网站 国外ibus词库下载地址；国外网站很慢，甚至访问不了。然后某些地方虽然给出了下载的文件，但是要付出代价，比如某SDN下载。

二、直接上教程

1. 到我的码云：https://gitee.com/mr_allen/ibus-thesaurus.git下载里面的文件（如果不能访问可以留言或私信我，看到会第一时间回复），只要local.db的文件就可以了。

2. 下载完了直接复制到输入法路径下，我的路径是这个/usr/share/ibus-libpinyin/db（没添加之前没有local.db文件）
   

3. 然后重启一下ibus输入法，重启方式如下(不行的就重启系统)：

   ibus-daemon -d -x -r
   

然后能打出弗雷德霍姆行列式就是成功了。这个词库只是比较常用的，如果需要更丰富的，可以自己去找一下。

三、目前支持的词汇（如果你找到了比较全的词库，希望能够得到你的分享）

词库包括以下部分：

成语大全
诗词精选
网络用语
名人词库
名人名言
美食大全
股票基金
计算机
流行歌曲
动漫大全

四、补充：自己添加词库

1. 下载：首先到搜狗输入法官方https://pinyin.sogou.com/dict/cate/index/97?rf=dictindex下载词库，下载后文件是以.scel结尾的文件。
2. 转换：这时就需要将搜狗的词库导出生成新的.txt文档或者直接.db的文档。
3. 粘贴复制：方法同上，将你新生成的词库合并到之前local.db的词库里面。
4. 重启输入法:

   ibus-daemon -d -x -r
   

生成代码如下：

注:下面代码在其他大佬博客上找的，因为我的Linux词库需要的格式是打工人 da'gong'ren这样的
所以在代码的getWordPy接口做了判断，增加'符号。不需要的可删掉，其他的不多叙述，可自行阅读代码更改

#!/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:i+2]
        t =  chr(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] != bytes(map(ord,"\x9D\x01\x00\x00")):
        return None
    data = data[4:]
    pos = 0
    length = len(data)
    while pos < length:
        index = struct.unpack('H', data[pos:pos +2])[0]
        # print index,
        pos += 2
        l = struct.unpack('H', data[pos:pos + 2])[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:
        if pos>0: #在每个拼音之间插入字符'做分割，如果你的输入法词库不需要这种格式可删掉
            ret += "'"
        index = struct.unpack('H', data[pos:pos + 2])[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:pos +2])[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:pos + 2])[0]
        # print '[same]:',same,

        # 拼音索引表长度
        pos += 2
        py_table_len = struct.unpack('H', data[pos:pos + 2])[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', data[pos:pos +2])[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:pos +2])[0]
            # 词频
            pos += 2
            count = struct.unpack('H', data[pos:pos +2])[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] != bytes(map(ord,"\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 = ['helloword.scel']

    for f in o:
        deal(f)

    # 保存结果
    f = open('local.db', '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
        # print(count,py,word)
        # f.write((('{%(count)s}' % {'count': count} + py + ' ' + word)))  # 最终保存文件的编码，可以自给改
        f.write(( word + ' ' + py))  # 最终保存文件的编码，可以自给改
        f.write('\n')
    f.close()