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

复制代码
 ibus ibus-daemon -r -d -x     

不然

复制代码
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:

复制代码
#!/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!

复制代码
python transfer.py

输出sougou.txt,导入ibus就行了。

相关推荐
独好紫罗兰30 分钟前
洛谷题单3-P5719 【深基4.例3】分类平均-python-流程图重构
开发语言·python·算法
篝火悟者43 分钟前
自学-C语言-基础-数组、函数、指针、结构体和共同体、文件
c语言·开发语言
genispan1 小时前
QT/C++ 多线程并发下载实践
开发语言·c++·qt
-代号95271 小时前
【JavaScript】十三、事件监听与事件类型
开发语言·javascript·ecmascript
写代码的小王吧2 小时前
【Java可执行命令】(十)JAR文件签名工具 jarsigner:通过数字签名及验证保证代码信任与安全,深入解析 Java的 jarsigner命令~
java·开发语言·网络·安全·web安全·网络安全·jar
共享家95272 小时前
深入剖析Linux常用命令,助力高效操作
linux·运维·服务器
小卡皮巴拉2 小时前
【力扣刷题实战】矩阵区域和
开发语言·c++·算法·leetcode·前缀和·矩阵
努力搬砖的咸鱼2 小时前
Qt中的数据解析--XML与JSON处理全攻略
xml·开发语言·qt·json
Pacify_The_North2 小时前
【C++进阶三】vector深度剖析(迭代器失效和深浅拷贝)
开发语言·c++·windows·visualstudio
一人の梅雨2 小时前
化工网平台API接口开发实战:从接入到数据解析‌
java·开发语言·数据库