convert sogou scel file to normal text file

gistfile1.py

# -*- 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] + 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?"  
        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 = [u"89个节日.scel",
	u"常用的成语大全.scel",
	u"常用汉语人名大全.scel",
	u"地理地质词汇大全【官方推荐】.scel",
	u"地名词库.scel",
	u"动物词汇大全【官方推荐】.scel",
	u"法律词汇大全【官方推荐】.scel",
	u"股票词汇大全.scel",
	u"股票基金.scel",
	u"机关科室常用.scel",
	u"经济生活词汇.scel",
	u"旅游词汇大全.scel",
	u"生物词汇大全【官方推荐】.scel",
	u"四级行政区划地名词库.scel",
	u"银行大全.scel",
	u"政府机关团体机构大全【官方推荐】.scel",
	u"中国传统节日大全【官方推荐】.scel",
	u"中国高等院校（大学）大全【官方推荐】.scel",
	u"中国医院大全【官方推荐】.scel",
	u"最详细的全国地名大全.scel"]  
      
    for f in o:  
        deal(f)  
          
    #保存结果    
    f = open('ext_self.dic','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('\n')  
    f.close()   

# Python3 版本，仅提取分词，读取当前目录下 *.scel 输出 word.txt
import struct
import os
from collections import OrderedDict

def byte2str(data):
    '''将原始字节码转为字符串'''
    i = 0
    length = len(data)
    ret = ''
    while i < length:
        x = data[i:i+2]
        t = chr(struct.unpack('H',x)[0])
        if t == '\r':
            ret += '\n'
        elif t != ' ':
            ret += t
        i += 2
    return ret

def extract_words(file_name):
    words = set()
    try:
        with open(file_name,'rb') as f:
            data = f.read()

        if data[0:12] != b'\x40\x15\x00\x00\x44\x43\x53\x01\x01\x00\x00\x00':
            print(f"跳过非搜狗词库文件: {file_name}")
            return words

        startChinese = 0x2628
        pos = startChinese
        length = len(data)
        
        while pos < length:
            same = struct.unpack('H',data[pos:pos+2])[0]
            pos += 2
            py_table_len = struct.unpack('H',data[pos:pos+2])[0]
            pos += 2 + py_table_len

            for i in range(same):
                c_len = struct.unpack('H',data[pos:pos+2])[0]
                pos += 2    
                word = byte2str(data[pos:pos + c_len])
                words.add(word)
                pos += c_len          
                ext_len = struct.unpack('H',data[pos:pos+2])[0]
                pos += ext_len + 2

    except Exception as e:
        print(f"处理文件出错: {file_name}, {str(e)}")
        
    return words

def main():
    # 获取当前目录下所有的scel文件
    scel_files = [f for f in os.listdir('.') if f.endswith('.scel')]
    
    # 用于去重的集合
    all_words = set()
    
    # 处理每个文件
    for f in scel_files:
        print(f"正在处理: {f}")
        words = extract_words(f)
        all_words.update(words)
    
    # 将结果写入文件
    with open('words.txt', 'w', encoding='utf-8') as f:
        for word in sorted(all_words):
            f.write(word + '\n')
            
    print(f"完成! 共提取了 {len(all_words)} 个不重复词组")

if __name__ == '__main__':
    main()