將搜狗詞庫(scel)轉(zhuǎn)化為python可讀的文本(text)的方法

方法 1. 利用R語言（方法簡單）

① 載入詞庫(R語言)

library(Rwordseg)
# getwd()
# setwd("F:/project")##設(shè)置目錄，需要讀者手工調(diào)整
installDict("./word_library_scel/程序猿詞庫.scel", dictname ="Coderwords")
# 函數(shù)installDict(dictpath, dictname,dicttype = c("text", "scel"), load = TRUE)

② 讀取文件（Python語言）

import pandas as pd
Coderwords = pd.read_table("D:\\Users\\R\\R-3.4.4\\library\\Rwordseg\\dict\\Coderwords.dic",header=None,usecols=[0])

如果時間比較趕，那么只學(xué)會方法1就可以啦，下面的方法2請忽略~

方法 2 . 利用Python轉(zhuǎn)化(注：Python版本不一致的話，有可能遇到Bug)

實際運(yùn)行時因為python版本不同轉(zhuǎn)換不能成功，最后終于可行,scel轉(zhuǎn)txt抽取詞庫

#!/bin/python
# -*- coding: utf-8 -*-

import struct
import sys
import binascii
import pdb

try:
    reload(sys)
    sys.setdefaultencoding('utf-8')
except:
    pass

# 搜狗的scel詞庫就是保存的文本的unicode編碼，每兩個字節(jié)一個字符（中文漢字或者英文字母）
# 找出其每部分的偏移位置即可
# 主要兩部分
# 1.全局拼音表，貌似是所有的拼音組合，字典序
#       格式為(index,len,pinyin)的列表
#       index: 兩個字節(jié)的整數(shù) 代表這個拼音的索引
#       len: 兩個字節(jié)的整數(shù) 拼音的字節(jié)長度
#       pinyin: 當(dāng)前的拼音，每個字符兩個字節(jié)，總長len
#
# 2.漢語詞組表
#       格式為(same,py_table_len,py_table,{word_len,word,ext_len,ext})的一個列表
#       same: 兩個字節(jié) 整數(shù) 同音詞數(shù)量
#       py_table_len:  兩個字節(jié) 整數(shù)
#       py_table: 整數(shù)列表，每個整數(shù)兩個字節(jié),每個整數(shù)代表一個拼音的索引
#
#       word_len:兩個字節(jié) 整數(shù) 代表中文詞組字節(jié)數(shù)長度
#       word: 中文詞組,每個中文漢字兩個字節(jié)，總長度word_len
#       ext_len: 兩個字節(jié) 整數(shù) 代表擴(kuò)展信息的長度，好像都是10
#       ext: 擴(kuò)展信息 前兩個字節(jié)是一個整數(shù)(不知道是不是詞頻) 后八個字節(jié)全是0
#
#      {word_len,word,ext_len,ext} 一共重復(fù)same次 同音詞 相同拼音表

# 拼音表偏移，
startPy = 0x1540;

# 漢語詞組表偏移
startChinese = 0x2628;

# 全局拼音表

GPy_Table = {}

# 解析結(jié)果
# 元組(詞頻,拼音,中文詞組)的列表
GTable = []

def byte2str(data):
    '''''將原始字節(jié)碼轉(zhuǎn)為字符串'''
    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

# 獲取拼音表
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

        # 獲取一個詞組的拼音

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

# 獲取一個詞組
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

# 讀取中文表
def getChinese(data):
    # import pdb
    # pdb.set_trace()

    pos = 0
    length = len(data)
    while pos < length:
        # 同音詞數(shù)量
        same = struct.unpack('H', data[pos] + data[pos + 1])[0]
        # print '[same]:',same,

        # 拼音索引表長度
        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])

        # 中文詞組
        pos += py_table_len
        for i in xrange(same):
            # 中文詞組長度
            c_len = struct.unpack('H', data[pos] + data[pos + 1])[0]
            # 中文詞組
            pos += 2
            word = byte2str(data[pos: pos + c_len])
            # 擴(kuò)展數(shù)據(jù)長度
            pos += c_len
            ext_len = struct.unpack('H', data[pos] + data[pos + 1])[0]
            # 詞頻
            pos += 2
            count = struct.unpack('H', data[pos] + data[pos + 1])[0]

            # 保存
            GTable.append((count, py, word))

            # 到下個詞的偏移位置
            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":
    if data[0:12] != bytes(map(ord,"\x40\x15\x00\x00\x44\x43\x53\x01\x01\x00\x00\x00")):        
        print ("確認(rèn)你選擇的是搜狗(.scel)詞庫?")
        sys.exit(0)
        # pdb.set_trace()

    print ("詞庫名：", byte2str(data[0x130:0x338]))  # .encode('GB18030')
    print ("詞庫類型：", byte2str(data[0x338:0x540]))  # .encode('GB18030')
    print ("描述信息：", byte2str(data[0x540:0xd40]))  # .encode('GB18030')
    print ("詞庫示例：", byte2str(data[0xd40:startPy]))  # .encode('GB18030')

    getPyTable(data[startPy:startChinese])
    getChinese(data[startChinese:])

if __name__ == '__main__':

    # 將要轉(zhuǎn)換的詞庫添加在這里就可以了
    o = ['./word_library_scel/編程語言.scel']

    for f in o:
        deal(f)

        # 保存結(jié)果
    f = open('code.txt', 'w')
    for word in GTable:
        # GTable保存著結(jié)果，是一個列表，每個元素是一個元組(詞頻,拼音,中文詞組)，有需要的話可以保存成自己需要個格式
        # 我沒排序，所以結(jié)果是按照上面輸入文件的順序
        #f.write(unicode(word).encode('GB18030'))  # 最終保存文件的編碼，可以自給改
        f.write(word[2])
        f.write('\n')
    f.close()