东方祥

2018-10-11   阅读量: 78

R语言Python数据分析文本挖掘

只要2步!将搜狗词库(scel)转为Python可读的文本

将搜狗词库(scel)转化为python可读的文本(text)的方法

方法 1. 利用R语言(方法简单)

① 载入词库(R语言)

library(Rwordseg)
# getwd()
# setwd("F:/project")##设置目录,需要读者手工调整
installDict("./word_library_scel/程序猿词库.scel", dictname ="Coderwords")
# 函数installDict(dictpath, dictname,dicttype = c("text", "scel"), load = TRUE)

② 读取文件(Python语言)

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

如果时间比较赶,那么只学会方法1就可以啦,下面的方法2请忽略~

方法 2 . 利用Python转化(注:Python版本不一致的话,有可能遇到Bug)

实际运行时因为python版本不同转换不能成功,最后终于可行,scel转txt抽取词库

#!/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] + 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

# 获取拼音表
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

# 获取一个词组的拼音

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

# 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] + data[pos + 1])[0]
# print '[same]:',same,

# 拼音索引表长度
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])

# 中文词组
pos += py_table_len
for i in xrange(same):
# 中文词组长度
c_len = struct.unpack('H', data[pos] + data[pos + 1])[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] + data[pos + 1])[0]
# 词频
pos += 2
count = struct.unpack('H', data[pos] + data[pos + 1])[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] != "\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 ("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 = ['./word_library_scel/编程语言.scel']

for f in o:
deal(f)

# 保存结果
f = open('code.txt', 'w')
for 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(word).encode('GB18030')) # 最终保存文件的编码,可以自给改
f.write(word[2])
f.write('\n')
f.close()

335.0552 10 0 关注作者 收藏

评论(0)


暂无数据

推荐帖子

推荐课程