python搜狗拼音输入法词库转谷歌拼音输入法词库

class sogou{
    ctor( sogouData ){
        if( #sogouData < 0x104/*_MAX_PATH*/ ){
            s = ..string.load(sogouData);
            if(s) sogouData = s;
            startPy = 0x1540+1;
            startChinese = 0x2628+1;
            pyTable = {};
        }
        if(..string.left(sogouData,12) != '\x40\x15\x00\x00\x44\x43\x53\x01\x01\x00\x00\x00')
            return null,"数据或路径不是搜狗(.scel)词库";
    };
    
    getDescription = function(){
        return {
            name = fromUnicode(sub(s,0x131,0x338));
            dicType = fromUnicode(sub(s,0x339,0x540));
            description = fromUnicode(sub(s,0x541,0xd40));
            demo = fromUnicode(sub(s,0xd41,0x1540));
        }
    }
    
    getPyTable = function(){
        var data = sub( s,startPy,startChinese-1);
        if ..string.left(data,4)!='\x9D\x01\x00\x00'
            return null;
        data = sub( data,5,-1 );
        var pos = 1;
        var len = #data;
        while(pos             index = (data[pos+1]<<8)+data[pos]
            pos+=2
            l = (data[pos+1]<<8)+data[pos]
            pos += 2
            py = fromUnicode(sub(data,pos,pos+l))
            pyTable[index] = py
            pos += l
        }
    }
    
    getWordPy = function(data){
        var pos = 1;
        var len = #data;
        var ret = ""
        while(pos             var index = (data[pos+1]<<8)+data[pos]
            ret = concat(ret,pyTable[index]," ")
            pos += 2
        }
        return trimright(ret);
    }
 
    nextEntry = function(){
        this.getPyTable();
        var data = sub( s,startChinese,-1);
        var pos = 1;
        var len = #data;
        var same = 0
        return function(){
            if(pos>len){
                return null;
            }
            if(same==0){
                same = (data[pos+1]<<8)+data[pos];
                pos += 2
                pyTableLen = (data[pos+1]<<8)+data[pos];
                
                pos += 2
                py = this.getWordPy(sub(data,pos,pos+pyTableLen))
                
                pos += pyTableLen
            }
            cLen = (data[pos+1]<<8)+data[pos];
            
            pos += 2 
            
            word = fromUnicode(sub(data,pos,pos + cLen))
            
            pos += cLen 
            extLen = (data[pos+1]<<8)+data[pos];
        
            pos += 2
            count = (data[pos+1]<<8)+data[pos];
 
            pos += extLen
            same--
            return count,py,word;
        };
    }
}
 
namespace sogou{
    fromUnicode = ..string.fromUnicode
    sub = ..string.sub
    concat = ..string.concat
    trimright = ..string.trimright
}

调用方法:

import console
 
//获取词库描述信息
sg = sogou("E:\计算机词汇大全【官方推荐】.scel")
console.varDump( sg.getDescription() )
 
//遍历搜狗输入法词库并保存为谷歌输入法词库
file = ..io.open( "E:\google.txt","w" )
for(count,py,word in sg.nextEntry()){
    file.write( word,'\t',count,'\t',py,'\n')
 
}
file.close()
 
console.pause(true)

#!/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] + 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 = ['计算机词汇大全【官方推荐】.scel',
    'IT计算机.scel',
    '计算机词汇大全【官方推荐】.scel',
    '北京市城市信息精选.scel',
    '常用餐饮词汇.scel',
    '成语.scel',
    '成语俗语【官方推荐】.scel',
    '法律词汇大全【官方推荐】.scel',
    '房地产词汇大全【官方推荐】.scel',
    '手机词汇大全【官方推荐】.scel',
    '网络流行新词【官方推荐】.scel',
    '歇后语集锦【官方推荐】.scel',
    '饮食大全【官方推荐】.scel',
    ]
    
    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('GB18030') )#最终保存文件的编码，可以自给改
        f.write('\n')
    f.close()