ibus输入法导入搜狗词库

安装ibus输入法

apt-get install ibus-libpinyin

然后在ubuntu设置中输入源中找到,添加中文(智能拼音)

一般情况

到这里:

GitHub - broly8/libpinyin-dict: ibus-libpinyin可用32万txt词库

导入最上面的dict.txt就行

导入方式

如果首选项可以导入那就首选项导入

坑:

文件后缀名改称.txt然后等以下,我的经验看要等5分钟

然后重启下

 ibus ibus-daemon -r -d -x     

不然

cp 你的词典文件.txt /usr/share/ibus-libpinyin/db/local.db

手动导入

到这里

搜狗细胞词库_词库下载_词典_输入法字典

搜索计算机找到

随便找一个比方说:

#!/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] != b"\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 = []
    while pos < length:

        index =struct.unpack('H',data[pos:pos+2])[0]
        ret.append(GPy_Table[index])
        pos += 2
    return '\''.join(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: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] != b"\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 = []
    import os
    for f in os.listdir("./"):
        if f.find('.scel') != -1:
            o.append(f)
            print("找到词库文件:"+f)

    for f in o:
        deal(f)

    # 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('UTF-8'))  # 最终保存文件的编码,可以自给改
        #f.write(unicode('%s %s %s' % (word, py, count)).encode('UTF-8'))
        f.write(f'{word} {py} {count}')
        f.write('\n')
    f.close()

把py文件和scel放在一个文件夹中,然后运行!

python transfer.py

输出sougou.txt,导入ibus就行了。

相关推荐
宅小海6 分钟前
scala String
大数据·开发语言·scala
朝九晚五ฺ7 分钟前
【Linux探索学习】第十四弹——进程优先级:深入理解操作系统中的进程优先级
linux·运维·学习
qq_327342739 分钟前
Java实现离线身份证号码OCR识别
java·开发语言
锅包肉的九珍10 分钟前
Scala的Array数组
开发语言·后端·scala
自由的dream10 分钟前
Linux的桌面
linux
心仪悦悦13 分钟前
Scala的Array(2)
开发语言·后端·scala
yqcoder36 分钟前
reactflow 中 useNodesState 模块作用
开发语言·前端·javascript
Heaphaestus,RC37 分钟前
【Unity3D】获取 GameObject 的完整层级结构
unity·c#
xiaozhiwise41 分钟前
Makefile 之 自动化变量
linux
baivfhpwxf20231 小时前
C# 5000 转16进制 字节(激光器串口通讯生成指定格式命令)
开发语言·c#