scel转txt抽取词库

最近需要词库来优化分词效果,找到了有大神写好的能将搜狗词库scel转成txt的python脚本。
http://blog.csdn.net/zhangzhenhu/article/details/7014271
实际运行时因为python版本不同转换不能成功,最后终于可行。

bytes与16进制字符串

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)

程序刚开始运行由于if判断语句中的两者不相等就退出了

两者确实是不相等的,但用notepad hex editor查看前12个字符确实是
\x40\x15\x00\x00\x44\x43\x53\x01\x01\x00\x00\x00

这里写图片描述

以二进制模式来读取文件,data=f.read() 是bytes对象。

>>> type(data)
<class 'bytes'>
>>> data[0:12]
b'@\x15\x00\x00DCS\x01\x01\x00\x00\x00'

一个bytes对象b,b[0]的类型是int,而b[0:1]的类型是长度为1的bytes对象。
bytes对象的表示:b’…’
list(b)可以把一个bytes对象转换为a list of integer

需要了解的两个方法:
bytes.fromhex(string):This bytes class method returns a bytes object, decoding the given string object. The string must contain two hexadecimal digits per byte, with ASCII whitespace being ignored.

hex():Return a string object containing two hexadecimal digits for each byte in the instance.

>>> list(data[0:12])
[64, 21, 0, 0, 68, 67, 83, 1, 1, 0, 0, 0]

>>> data[0:12].hex()
'401500004443530101000000'
>>> bytes.fromhex('401500004443530101000000')
b'@\x15\x00\x00DCS\x01\x01\x00\x00\x00'

通过hex()方法转成的16进制字符串虽然确实是我们要的,但是它缺少\x,if判断语句中的两者依然不相等

bytes转string不通,考虑string转bytes,使用如下语句即可

bytes(map(ord,"\x40\x15\x00\x00\x44\x43\x53\x01\x01\x00\x00\x00"))

unichr

Traceback (most recent call last):
  File "F:/sogou/scel_to_txt.py", line 178, in <module>
    deal(f)
  File "F:/sogou/scel_to_txt.py", line 162, in deal
    print ("词库名:", byte2str(data[0x130:0x338]))  # .encode('GB18030')
  File "F:/sogou/scel_to_txt.py", line 56, in byte2str
    t = unichr(struct.unpack('H', x)[0])
NameError: name 'unichr' is not defined

https://stackoverflow.com/questions/2352018/cant-use-unichr-in-python-3-1
把unichr换为chr即可。

In Python 3,
there’s no difference between unicode and normal strings anymore.
Only between unicode strings and binary data.
So the developers finally removed the unichr function in favor of a common chr which now does what the old unichr did.
python3.x中所有的string都是unicode string,因此开发者移除了unichr

chr()函数用一个范围在range(256)内的(就是0~255)整数作参数,返回一个对应的字符
ord()函数是chr()函数的配对函数,它以一个字符(长度为1的字符串)作为参数,返回对应的ASCII数值

>>> chr(65)
'A'
>>> ord('a')
97

struct.unpack

Traceback (most recent call last):
  File "F:/sogou/scel_to_txt.py", line 178, in <module>
    deal(f)
  File "F:/sogou/scel_to_txt.py", line 162, in deal
    print ("词库名:", byte2str(data[0x130:0x338]))  # .encode('GB18030')
  File "F:/sogou/scel_to_txt.py", line 56, in byte2str
    t = chr(struct.unpack('H', x)[0])
TypeError: a bytes-like object is required, not 'int'
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 = chr(struct.unpack('H', x)[0])
        if t == u'\r':
            ret += u'\n'
        elif t != u' ':
            ret += t
        i += 2
    return ret

上面提到过bytes对象b,b[0]是int,b[0:2]才是bytes对象。
把所有data[i]+data[i+1]的地方修改为data[i:i+2]

>>> data[0:2]
b'\xa1\x8b'
>>> struct.unpack('H',data[0:2])
(35745,)
>>> chr(struct.unpack('H',data[0:2])[0])
'计'

pack(fmt, v1, v2, …)
按照给定的格式(fmt),把数据封装成字符串(实际上是类似于c结构体的字节流)

unpack(fmt, string)
按照给定的格式(fmt)解析字节流string,返回解析出来的tuple

#字节串转整数:
#转为short型整数: 
struct.unpack('hh', bytes(b'\x01\x00\x00\x00'))
(1, 0)
#转义为long型整数: 
struct.unpack('L', bytes(b'\x01\x00\x00\x00'))
(1,)


#整数转字节串:
#转为两个字节: 
struct.pack('HH', 1,2)
b'\x01\x00\x02\x00'
#转为四个字节: 
struct.pack('LL', 1,2)
b'\x01\x00\x00\x00\x02\x00\x00\x00'

格式,类型,python类型
h,short,integer,2
H,unsigned short,integer,2
i,int,integer ,4
I,unsigned int,integer,4
l,long,integer,4
L,unsigned long,integer,4
q,long long,integer,8
Q,unsigned long long,integer,8
f,float,float,4
d,double,float,8
s,char[],string

每个格式前可以有一个数字,表示个数

xrange

Traceback (most recent call last):
  File "F:/sogou/scel_to_txt.py", line 178, in <module>
    deal(f)
  File "F:/sogou/scel_to_txt.py", line 168, in deal
    getChinese(data[startChinese:])
  File "F:/sogou/scel_to_txt.py", line 131, in getChinese
    for i in xrange(same):
NameError: name 'xrange' is not defined

最后把xrange改为range
程序运行成功

这里写图片描述

展开阅读全文

没有更多推荐了,返回首页