从mdx提取指定的词条，并打包成mdx[已失效]
本帖最后由 simonfire 于 2021-2-10 11:15 编辑用python写的一个小工具，解析和打包都是用的zzzz_sleep的 mdict-utils。
用法：把需要提取的单词制成一行一个的格式，命名为input.txt（文件编码有要求，必须是UTF-8(无BOM，也叫无签名)，要提取的mdx文件命名为input.mdx，和解压的exe文件放在同一目录，双击运行exe文件就行了。正常运行的话，会生成名为output的txt和mdx文件。
目前只进行了简单的测试，有使用问题后续再修复吧
加了程序运行时打印正在提取的单词，你可以知道个大概的进度
然后现在程序是单线程运行，所以速度很慢（目测1秒才2-3个单词），最好不要弄太多词条去提取，后续可能会增加多线程，看情况吧
下载地址，度盘：
链接:https://pan.baidu.com/s/11nIBxwL5-CYZhFfiK9njyw 提取码:0jfa 复制这段内容后打开百度网盘手机App，操作更方便哦
ps：要源码的朋友，我这代码总共10多行，没有一点学习价值，想学习的去看看 mdict-utils的源码吧。
ps2：试着加多线程提升速度，但是发现并没有用，速度反而不如原来，不知道是我姿势不对还是怎么回事，所以这个速度问题应该会无限期搁置吧，哈哈。 simonfire 兄:
能想出如此的懒人包
對於幼幼班的真是一大福利
Thanks a lot
{:4_105:} 非常感谢！！！ 按要求试了一下，没反应啊 可以分享一下源代码吗？ 999阿彌陀佛 发表于 2019-8-11 20:48
按要求试了一下，没反应啊
你不要弄太多单词进去，然后保存为txt时编码选utf-8无BOM（也叫utf-8无签名），再试试 方法很特别！ 请问：之前Mdict Editor Tool等工具提取后的排序是按照字母顺序，并非input的顺序，不知道我们这个output.txt的顺序是？ VimVim 发表于 2019-8-12 09:06
请问：之前Mdict Editor Tool等工具提取后的排序是按照字母顺序，并非input的顺序，不知道我们这个output.t ...
输出的txt，是按照你的input.txt的先后，至于打包mdx后有没有再排序，因为用的是别人的写好的工具，我也没有研究 老哥，源码能发出来学习一下吗？ simonfire 发表于 2019-8-12 09:36
输出的txt，是按照你的input.txt的先后，至于打包mdx后有没有再排序，因为用的是别人的写好的工具，我也 ...
打包成 mdx 后，都是重新排序的，与原有 txt 顺序无关。 本帖最后由 jonah_w 于 2019-8-12 21:15 编辑
如果要保证按input.txt里的词头先后的话，速度肯定会慢，不考虑前后或者按字母顺序的话（用哈希），速度应该会非常快（几万个词头，也就是几秒，根据以前经验猜的）。可以考虑下。 开源一下，这样我可以看看为什么速度这么慢 謝謝，單詞表保存為 編碼ANSI 就可以了。之前是utf-8，沒反應。 999阿彌陀佛 发表于 2019-8-13 07:50
謝謝，單詞表保存為 編碼ANSI 就可以了。之前是utf-8，沒反應。
你肯定用的是记事本了，弄这个你最好使用像notepad++或者emeditor这种编辑器。
不然你保存为ansi，英文没问题，中文就GG了，不过你要是不太懂，就凑合用吧 謝謝。
只是速度現在很慢，能不能改進一下？現在的詞典詞條都很多的。 本帖最后由 喬治兄 于 2019-8-14 03:12 编辑
simonfire 发表于 2019-8-12 09:36
输出的txt，是按照你的input.txt的先后，至于打包mdx后有没有再排序，因为用的是别人的写好的工具，我也 ...
哈哈, 還是@VimVim 兄問到了重點
小弟也正需输出的txt 按 input.txt 的先后
讚一個
本想學此招
[教程] 用Emeditor提取子字典
https://www.pdawiki.com/forum/forum.php?mod=viewthread&tid=34351#lastpost
可以补档一下吗，谢谢楼主。。 亘佑 发表于 2019-9-25 03:19
可以补档一下吗，谢谢楼主。。
用另外一个吧，这个速度没那个快 我目前用C#做，i5的CPU大约10秒不到可以提取陆谷孙英汉大词典中的1万单词解释。
作者没有说明提取一个子MDX有什么意义，我主要是用来定制我的通读而非查阅用的词典。比如我可以制作一个牛津高阶6级词汇的词典，里面词头不超过6级只有几千个且释义正文都是牛高中的。提取完之后稍微处理一下可以直接在浏览器中打开。所有浏览器中Chrome渲染速度最快，1000单词的朗文4词典大约1分钟就好了，之后你可以慢慢享受鼠标滚动阅读而毫无迟滞感。还有切图版的图片词典，那制作出来就和看纸版书基本一样的感觉了。
做这个提取的小工具程序，初看起来简单得象1+1=2般简单。但真的是这样吗？非也！如果真正是严肃地以做产品的精神来做，还是要考虑一些问题的：
（1）MDX中同一个词头有可能出现多次，比如有的单词每个词性就列一个词头出来，且并未加上上标来区分，看起来词头是一模一样的。
（2）词头内容可能是链接@@@LINK=，且链接可能有多级。链接最终到的那个单词如果不在原词表上出现怎么处理？是新加入这个词头还是不加入而拷贝它的内容过来？
（3）如果原MDX制作有问题，A词头链接B词头，B词头又链接A词头，将陷入死循环，如何侦测出来？我目前用的是递归调用简单地用递归最大层次来限制死循环的发生。
（4）前述1,2,3可能同时出现夹杂糅合在一起，程序怎么处理既不遗漏又不重复释义？
（5）如果原词表不按字母顺序排列，应该给用户按原来顺序和按字母顺序两个选择
这些考虑使得编程复杂了很多！我用了整整2天才弄完它们。不到200行C#搞定。
我用C#做，i5的CPU大约10秒不到可以提取陆谷孙英汉大词典中的1万单词解释。
作者没有说明提取一个子MDX有什么意义，我主要是用来定制我的通读而非查阅用的词典。比如我可以制作一个牛津高阶6级词汇的词典，里面词头不超过6级只有几千个且释义正文都是牛高中的。提取完之后稍微处理一下可以直接在浏览器中打开。所有浏览器中Chrome渲染速度最快，1000单词的朗文4词典大约1分钟就好了，之后你可以慢慢享受鼠标滚动阅读而毫无迟滞感。还有切图版的图片词典，那制作出来就和看纸版书基本一样的感觉了。
做这个提取的小工具程序，初看起来简单得象1+1=2般简单。但真的是这样吗？非也！如果真正是严肃地以做产品的精神来做，还是要考虑一些问题的：
（1）MDX中同一个词头有可能出现多次，比如有的单词每个词性就列一个词头出来，且并未加上上标来区分，看起来词头是一模一样的。
（2）词头内容可能是链接@@@LINK=，且链接可能有多级。链接最终到的那个单词如果不在原词表上出现怎么处理？是新加入这个词头还是不加入而拷贝它的内容过来？
（3）如果原MDX制作有问题，A词头链接B词头，B词头又链接A词头，将陷入死循环，如何侦测出来？我目前用的是递归调用简单地用递归最大层次来限制死循环的发生。
（4）前述1,2,3可能同时出现夹杂糅合在一起，程序怎么处理既不遗漏又不重复释义？
（5）如果原词表不按字母顺序排列，应该给用户按原来顺序和按字母顺序两个选择
这些考虑使得编程复杂了很多很多！我用了整整2天才弄完它们。不到200行C#搞定。
页:
[1]