⚜【支持超大文件】Python MDX词典打包工具 2019-11-19更新

lgmcw

这帖target的是硬核玩家，希望对有需要的人有所帮助。代码比较乱，拖了好久都懒得整理，正好朋友又找我需要，趁着一鼓作气整理出来就正好也贴在论坛里吧。我这里不跟进你那边的环境调试了，如果有运行错误自己修一下(python3可参考楼下的修改经验)；不过还是鼓励回帖反馈。对我以后做新人友好版有帮助。
以后我会做一款带GUI的，针对小白玩家。
6 ?* y: D) l( n3 V. t7 G( f
, h9 ]4 H- q2 p入口文件，运行genMDX_ox4.py即可开始打包，附了一个牛津4的txt源码，我已经调试好，确保在我这里能工作，下载后可以直接运行用来测试程序。我的所有字典都是用这个程序打包，暂时没什么大问题。词条数最多我试过的简明英汉400多万词头；体积最大的OED，txt源码就有2.4G；这些打包都毫无压力。不过我这边还在用老古董python2.7；python3应该也能用，如果报错，可能需要自己debug一下。
: w1 ~9 |* Y" s# O0 ?( ]2 V- dgenMDX_ox4.py is the entrance file you want to use in CMD/terminal. I've also enlcosed a OALD4_azure.txt for testing purpose.



Windows下运行举例（需安装python）：

. u) Y9 S9 O6 h' z, P; a# o* `4 b
8 E, Y: B  P" a2 v9 ?/ W相较于原版我主要改了两个地方：
: A$ z  {- W, u1 `1 _: W1. 在代码里，以前一个字典的key只能对应唯一个value。而MDict完全支持多个相同词头对应多个意思。所以我改了代码，让一个字典的key可以对应多个value。
2. 修改排序算法，原版是用的默认python排序，输出的文件在MDict简直不能查。GD勉强能查。


4 j( `8 }; I* J. O/ j  Y. l9 o
Python实现的txt转MDX代码：

游客，如果您要查看本帖隐藏内容请回复

欢迎提建议
⚜ 感兴趣可以看看我的其他字典，绝大部分都公开分享。
$ r5 y( a$ _7 C8 ^, o% O- Q0 f! J
1 P7 l0 Q9 B: y0 D% s8 c

3 x7 H# [. W0 f! F( Q/ G2 \- c3 h  s

7 l- R. Y5 s8 K" r+ J* u! i

muyuzhth0

python3.8.9调试成功！

做了如下修改：
( U" `/ {! V4 W
1.genMDX_ox4.py
; k: h9 g8 m/ `5 X
  {0 {+ l3 P7 f（1）注释掉前三行# -*- coding: GBK -*-  # coding: utf-8  # encoding=utf8，解决SyntaxError: encoding problem: GBK

4 m3 q4 R5 a6 m* o7 D7 k. {（2）注释掉import sys  reload(sys)  sys.setdefaultencoding('utf-8')，python3不需要了

5 v. q1 k' u1 P3 G9 u8 a+ n+ ]（3）打开、写入的文件加上当前路径（import os；current_path = os.path.dirname(__file__)；current_path+"/OALD4_azure.txt",），解决No such file or directory:
5 {" f  u5 e; H
. j) e- y' f4 M. ]; W- l（4）大神提示OALD4_azure.txt、about_OX4.txt使用utf-8格式。我试了下，两个文件转换为gb2312，代码修改为encoding='ANSI'，也可以成功。另外，goldendict可以打开这两种编码的mdx，mdictpc版只能打开ANSI编码的mdx文件。

8 j) U+ w1 Z/ f* j7 u2.writemdict.py

6 ]8 i/ R5 v% _# i# B修改 from cgi import escape为 from html import escape，解决cannot import name 'escape' from 'cgi' ，因为python3 cgi.py里面已经没有escape了。换成html，可以用，暂未发现问题。

nihaocool1980

我的是Python3.7的，genMDX_ox4.py文件里面的
$ _" h$ k0 k8 S, @" b4 ^# Limp.reload(sys)改为：
1 U! x, ?  ^. \# x& e7 c5 p5 H1 simport importlib
importlib.reload(sys)
然后删掉：sys.setdefaultencoding("utf-8")
! m/ i: B! R  r$ D$ \, N- j* C' R测试通过。
$ x. P1 Y: e' M$ l1 ]# B
9 L" `: J. d$ X' Q7 @$ N但是生成的词典，用SourceEditor打不开，PC版GoldenDict，安卓版欧路可以打开。汇报完毕。

torresgoal

好的，感谢老铁啊

brbr54

感谢大神分享

xxv

感谢楼主分享

0381yangyili

谢谢高手无私分享这么好的教程

bangbang2021

试试看，谢谢大佬

starll

反馈个问题，直接跑大佬的源码，在mac上会报如下错误：
Traceback (most recent call last):
3 W8 i8 V9 }* S8 i5 L  File "genMDX_ox4.py", line 14, in <module>
  H* f# y  X: }. O  e% T, R    reload(sys)
NameError: name 'reload' is not defined

解决：
注释掉文件line14和line15，即可

han198808

谢谢L大，等了1年了。

SweetPanda

谢谢大佬 都是好东西来晚了 就看到要关站

zh_lwm

先收藏再研究，谢谢分享

skydan05

震撼！谢谢！

Michael200803

thanks a lot

喬治兄

感謝 lgmcw 兄:
分享

【支持超大文件】Python打包MDX词典工具

6 V# A* R/ w0 ~% f* e非常需要此超大文件打包, 有的文件再合併後再用 mdxbuilder 打包MDX弄不出來
" t. V% h% T- v+ p/ R: W謝謝仁兄分享此重量級工具

coolfish52

謝謝分享資源

csmpaul

好东西，学习学习，谢谢楼主分享技术

999阿彌陀佛

謝謝分享此重量級工具，感谢 ！

cocowind

学习，谢谢楼主分享技术，争取以后逐步从小白玩家进化到硬核玩家。

laiye

谢谢l大，准备考研结束后就折腾折腾

wrscn

非常感谢你的分享。

codex

好东西 谢谢分享

oversky

請問 mdxbuilder 目前能處理的文檔大概是多大？

HMPT

还是可以指定输入文件的命令行方式不较好
比如 python genMDX.py source.txt about.txt

markwell

emmm论坛有个excel转mdx的工具很不好用。。。

nullname

感谢分享，看看，学习一下

lgmcw

HMPT 发表于 2019-10-9 10:06
还是可以指定输入文件的命令行方式不较好
比如 python genMDX.py source.txt about.txt ...

这个其实改一下入口文件就能实现，应该不难的。

lgmcw

oversky 发表于 2019-10-9 09:30
! d5 V, f4 x1 G- }8 \% B請問 mdxbuilder 目前能處理的文檔大概是多大？

你可以咨询一下@喬治兄 ，他可是屡屡遇到上限。

oversky

lgmcw 发表于 2019-10-10 01:03
你可以咨询一下@喬治兄 ，他可是屡屡遇到上限。

0 s; D+ m$ W+ M$ k; g谢谢您的指引。

littlewj

很有用的工具

huwei007

非常感谢分享!

lgmcw

喬治兄 发表于 2019-10-9 07:09
感謝 lgmcw 兄:
/ c" k  Y2 b+ N( S" @, J4 r分享  
9 g7 l" e, p  `- ~% Z# {非常需要此超大文件打包, 有的文件再合併後再用 mdxbuilder 打包MDX弄不出來

兄弟可测试通过，此工具可还好用？

喬治兄

lgmcw 发表于 2019-10-12 12:38
5 c5 \3 }0 b  m1 c兄弟可测试通过，此工具可还好用？

謝謝 lgmcw 兄關心，小弟還未試呀，小弟會盡快試試，若有困難再向仁兄請益，謝謝啦！

流星冲击

/ s# x- |: i  M" h4 J
9 k- H* O$ t  k5 ~1. 在代码里，以前一个字典的key只能对应唯一个value。而MDict完全支持多个相同词头对应多个意思。所以我改了代码，让一个字典的key可以对应多个value。
' B5 Q; }, B- D% K9 ?; Y" ?
之前我和zzzz_sleep讨论过“以前一个字典的key只能对应唯一个value”的问题，他给出的方法是让类Mdict套壳的软件/app的作者去解决，例如用@@@link和a href=词头#锚跳相混合实现查询多个value的方式（具体zzzz_sleep给出的代码的用法我也忘记了，不过印象中还是基于一个key对应一个value的用法），现在楼主这个工具直接从代码层修改一个key对应多个value，这个要给个赞！
( k* g& q; e$ d/ E2 Y! s7 V
2. 修改排序算法，原版是用的默认python排序，输出的文件在MDict简直不能查。GD勉强能查。

我没用Mdict_PC来查询生成的mdx，对于GoldenDict，我看了某些帖子的说法，GD是全部提取mdx的headwords为一个缓存文件而不依赖原生的mdx算法的排序的，相同词头（例如a和A）是以类似多本词典联合查询单词的方式在一个页面内列出所有a和A词头的内容的，如果GD不依赖原生的mdx算法排序，楼主说“GD勉强能查”是单词基本能查询，不过不按照Azure排序（dot,doT,dOt...）这样排列下来？
; B4 u* r  S% v# q- g' O7 \" c手机端的app，以Azure排序，单本词典查询的模式下，安卓mdcit和平典app（平典app可能有些带符号的单词查不到什么的，平典以前的国庆版本就查不到楼主你用python生成的新牛津v2.3.0 beta的单词词头）查询是完美支持这种排序的，而不是原生A再到a这样下来。深蓝dict不能单本词典模式查词，所以不能看到多个a和A，a和A的内容会挤在一个界面，由于不能单本查词，ff大的朗文5++ v1.3.5的气球在滑动单词页面时不能固定在右下角（直接在单词页面最右下角，对于长内容，需要滑动到页面最底部）。欧路app未测试。