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

lgmcw

/ Z* x; L/ x4 r( p, @, r% E7 V
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。
2 i/ U9 U7 f/ p$ T# I9 N5 e0 [以后我会做一款带GUI的，针对小白玩家。

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。
# ]7 ]8 c; [5 d# w! T( U4 vgenMDX_ox4.py is the entrance file you want to use in CMD/terminal. I've also enlcosed a OALD4_azure.txt for testing purpose.



% v9 d3 @5 g7 D' v, j, B& TWindows下运行举例（需安装python）：


相较于原版我主要改了两个地方：
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。
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。
( z3 Y6 p; l) D, @


Python实现的txt转MDX代码：
& }: J8 H2 _/ ]
$ O0 v! G; l% ]# x7 R链接：https://pan.baidu.com/s/1wdRZXRvQBfyS3AVDGmiD0g  提取码：avqf 欢迎提建议
: R( _, ~4 i2 v$ c4 n8 |% q⚜ 感兴趣可以看看我的其他字典，绝大部分都公开分享。
) `; k1 N: r& l: M
) ]% ^  P' n( b+ e8 M
8 H' E+ u# j! h0 m' K( J- P. j# |; X
- J1 G' F+ q! k6 \' O: j
, h1 l  z4 @# }0 P/ w! G

muyuzhth0

python3.8.9调试成功！
. X! V8 K% u5 _1 {# x1 A# s/ h
做了如下修改：

' y# L1 [- Q/ a* q1 b9 s1.genMDX_ox4.py
& I9 n1 E$ @$ [: u) ?
! Y1 A8 x6 l8 y7 L: R（1）注释掉前三行# -*- coding: GBK -*-  # coding: utf-8  # encoding=utf8，解决SyntaxError: encoding problem: GBK

1 y- ?+ h0 D9 V3 v" r（2）注释掉import sys  reload(sys)  sys.setdefaultencoding('utf-8')，python3不需要了
) [' D2 F4 h4 [
（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:

- ^* |; c3 L' p（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。

2 ~; q2 k9 N) U6 s$ B% [  C6 a+ J2.writemdict.py
, O' c4 w1 k  k
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
imp.reload(sys)改为：
import importlib
4 s; Z% z7 y1 g# pimportlib.reload(sys)
2 m. `" U0 D$ ^$ l- C然后删掉：sys.setdefaultencoding("utf-8")
4 [" b' {" q# d! K9 }测试通过。
7 H- G- f, a) Z* ^3 J9 j6 V
9 w: H$ H  K5 c& L6 |0 d  i$ j# Z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):
  File "genMDX_ox4.py", line 14, in <module>
6 {& ~3 M& N/ b6 ^+ 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

' {% S* x: d, h" a, t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
3 p8 K5 c+ A) f& U2 ^謝謝仁兄分享此重量級工具
) A" g( L1 h7 S  O* b: \- \

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
( {# \! @% ?- \6 M还是可以指定输入文件的命令行方式不较好
* F1 d4 N# K6 P# [0 [# w比如 python genMDX.py source.txt about.txt ...

/ t2 k  j/ t5 d+ r+ l" m3 I2 T" K这个其实改一下入口文件就能实现，应该不难的。

lgmcw

2 ?% l8 m( I$ S+ |2 M/ g

oversky 发表于 2019-10-9 09:30
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
1 _. ^- q- d9 M# }& {- f; i5 d" ~  j# {你可以咨询一下@喬治兄 ，他可是屡屡遇到上限。

5 M6 ?# \$ z( J$ j. G1 l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:
  n+ w8 C7 ]: R5 O: B分享  
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

& G, y) |; r: i! ]3 p7 Z- n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
% `2 F( o7 F9 i! v5 ?6 R; R兄弟可测试通过，此工具可还好用？

$ w. E  j0 t- y% f6 l7 g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

' y3 B3 i: r4 P( t
9 F- T  `, x& ~+ y/ a1. 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。

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！

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。
7 j& N8 P7 h0 p- p5 ~/ f( Q! l& C
. b- a$ Y. W# o4 B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？
' U9 @5 P$ f& R+ o$ l4 W' P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。