批量下载搜狗词库

编程入门行业动态更新时间:2024-10-24 15:21:37

用于对知识的整理，方便后来者。

第一步：用python爬取每个搜狗词库的基本信息，以及下载链接。

搜狗词库细胞库链接：http://pinyin.sogou/dict/cate/index/167

生成12个文件，用以下代码合并文件，并按照类别加入type字段，同时对官方推荐的词库进行标记。

#encoding=utf-8

import sys
defaultencoding = 'utf-8'
if sys.getdefaultencoding() != defaultencoding:
    reload(sys)
    sys.setdefaultencoding(defaultencoding)

from codecs import open

path = 'C:\\Users\\ijiao\\Documents\\Crawler\\projects\\ana_for_word\\sougou dict\\sougouciku_total\\'

filename_out = 'C:\\Users\\ijiao\\PycharmProjects\\fatedate\\jinqiao\\sogouciku\\sougouciku_list.txt'
f_out = open(filename_out, 'w', 'utf-8', 'ignore')

for f in (1,2,3,4,5,6,7,8,9,11,13,14):
    if f == 1: type = u'城市信息'
    elif f == 2: type = u'农林渔畜'
    elif f == 3: type = u'工程应用'
    elif f == 4: type = u'电子游戏'
    elif f == 5: type = u'运动休闲'
    elif f == 6: type = u'娱乐休闲'
    elif f == 7: type = u'医学医药'
    elif f == 8: type = u'艺术设计'
    elif f == 9: type = u'社会科学'
    elif f == 11: type = u'生活百科'
    elif f == 13: type = u'自然科学'
    elif f == 14: type = u'人文科学'


    full_file = path + str(f) + '.csv'

    f1= open(full_file,'r','gbk','ignore')
    f1.readline()


    for line_s in f1:
        line =line_s.replace(u'【4字成语大全】 收录成语54,089个 （上）',u'【4字成语大全】（上）').replace(u'【4字成语大全】 收录成语54,089个（下）',u'【4字成语大全】（下）')
        value = line.split(',')
        name = value[0].replace('/','').replace('|','').replace('<','').replace('>','')
        if name not in ('mu lan shi',\
                        'script src=http:5.xsser2014.sinaap|1202"',\
                        u'天堂Ⅱ全部技能名称',\
                        u'颜文字 ㄟ( ▔',\
                        u'创想云购',\
                        u'欅坂46'):
            popularity = value[1]
            url = value[2]
            citiao_qty = value[3].replace(u'词???条：','').replace(u'个','')
            creator = value[4].replace(u'创建者：','')
            size = value[5].replace(u'大???小：','')
            update_tm = value[6].replace(u'更???新：','')
            version = value[7].replace(u'版???本：','')
            desc = value[8].replace('\n','')
            if desc <> '':
                print desc
                out = '|'.join((type, name, popularity,url,citiao_qty,creator,size,update_tm,version,desc))
                print out
            elif desc == '' or desc == '\n':
                out = '|'.join((type, name, popularity,url,citiao_qty,creator,size,update_tm,version,''))

            out = out.replace(u'词???条：','').replace(u'个','').replace(u'创建者：','').replace(u'大???小：','').replace(u'更???新：','').replace(u'版???本：','')

            if u'官方推荐' in name:
                f_out.write(u'官方推荐' + '|'+ out +'\n')
            else:
                f_out.write(u'非推荐' + '|' + out +'\n' )

生成文件范例如下：

官方推荐|娱乐休闲|韩国国民CP夫妇大全【官方推荐】|753|http://download.pinyin.sogou/dict/download_cell.php?id=51539&name=%E9%9F%A9%E5%9B%BD%E5%9B%BD%E6%B0%91CP%E5%A4%AB%E5%A6%87%E5%A4%A7%E5%85%A8%E3%80%90%E5%AE%98%E6%96%B9%E6%8E%A8%E8%8D%90%E3%80%91&f=detail|146|pinyin|14364|2015-05-05 18:56:18|第1版本|韩国国民CP夫妇大全，韩国和中国最火的CP夫妇！
非推荐|娱乐休闲|杰尼斯事务所|752|http://download.pinyin.sogou/dict/download_cell.php?id=31261&name=%E6%9D%B0%E5%B0%BC%E6%96%AF%E4%BA%8B%E5%8A%A1%E6%89%80&f=detail|234|745062548|17580|2012-06-09 16:29:51|第1版本|J家艺人名字PS：1.全汉字的名字（中日交杂的没有）2.除日文汉字外，其他汉字都是简体字3.Jr.及期间限定组合艺人的名字也有，但只是尽我所知

第二步，根据下载链接，下载词库。（只下载官方推荐词库，其他词库可以按照自己的需求调整代码下载）

#encoding=utf-8

import sys
defaultencoding = 'utf-8'
if sys.getdefaultencoding() != defaultencoding:
    reload(sys)
    sys.setdefaultencoding(defaultencoding)

from codecs import open
import urllib
url_list_table = 'C:\\Users\\ijiao\\PycharmProjects\\fatedate\\jinqiao\\sogouciku\\sougouciku_list.txt'

f1= open(url_list_table,'r','utf-8','ignore')

for line in f1:
    value = line.split('|')
    if value[0] == u'官方推荐': #修改此处条件，下载所需词库
        url = value[4].replace('"','')
        print url
        name = value[2]
        print name
        url_download_local = 'C:\\Users\\ijiao\\PycharmProjects\\fatedate\\jinqiao\\sogouciku\\sougoucihu_1\\'
        url_total = url_download_local + name + '.scel'
        print "downloading with urllib"
        urllib.urlretrieve(url, url_total)

得到.scel格式的文件。

第三步：将搜狗格式的文件转换为txt格式。（网上大牛分享的代码，直接拿来用）

#!/usr/bin/python
#encoding=utf-8

import struct
import re
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] + 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":
        print "确认你选择的是搜狗(.scel)词库?"
        pass

        # sys.exit(0)
    # pdb.set_trace()
    global ciku_name, ciku_type, ciku_desc,ciku_sample
    # print ciku_name


    ciku_name = byte2str(data[0x130:0x338]).replace('\n','').strip().replace('\r','').replace('\r\n','')  # .encode('GB18030')
    ciku_type = byte2str(data[0x338:0x540]).replace('\n','').strip().replace('\r','').replace('\r\n','')  # .encode('GB18030')
    ciku_desc = byte2str(data[0x540:0xd40]).replace('\n','').strip().replace('\r','').replace('\r\n','')  # .encode('GB18030')
    ciku_sample = byte2str(data[0xd40:startPy]).replace('\n','').strip().replace('\r','').replace('\r\n','')  # .encode('GB18030')

    print "词库名：", ciku_name  # .encode('GB18030')
    print "词库类型：", ciku_type # .encode('GB18030')
    print "描述信息：", ciku_desc  # .encode('GB18030')
    print "词库示例：", ciku_sample  # .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

    import os
    file_location = 'C:\\Users\\ijiao\\PycharmProjects\\fatedate\\jinqiao\\sogouciku\\sougoucihu_1'
    for root,dirs,files in os.walk(file_location):
        print files
        for name in files:
            locationname = file_location + '\\' + name
            try:
                deal(locationname)
            except:
                pass

    # 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
        data = unicode(ciku_name+ '|' + ciku_type + '|' + ciku_desc + '|' + ciku_sample+ '|'+'{%(count)s}' % {'count': count} + '|'+ py + '|' + word).encode('utf-8').replace('[\x00]','')
        # data = re.sub('[\x00]', '', data)
        f.write(data+'\n')  # 最终保存文件的编码，可以自给改
        # f.write('\n')
        # break
    f.close()