朗文当代高级词典第五版（英英版）词库提取

enjoy了哦 · 发表于 2019-2-7 17:20:50

本帖最后由 enjoy了哦于 2019-5-4 10:45 编辑

这是apk文件（来源：360手机助手）：
http://zhushou.360.cn/detail/index/soft_id/431302

此应用排版精美，为官方出品，但它的词库做了一定的加密措施，不太好提取。
下面是提取过程。

首先以zip格式解压此apk文件，在解压目录的assets文件夹下，可看到该词典的核心内容：css样式表文件，字体文件，图片文件等。

02/07/2019  12:27 PM <DIR>       css
02/07/2019  12:27 PM <DIR>       fonts
02/07/2019  12:27 PM <DIR>       html
02/07/2019  12:27 PM <DIR>       images
11/17/2011  12:27 PM       1,024,000 pearson5.aa
11/17/2011  12:27 PM       1,024,000 pearson5.ab
11/17/2011  12:27 PM       1,024,000 pearson5.ac
11/17/2011  12:27 PM       1,024,000 pearson5.ad
11/17/2011  12:27 PM       1,024,000 pearson5.ae
11/17/2011  12:27 PM       1,024,000 pearson5.af
11/17/2011  12:27 PM       1,024,000 pearson5.ag
11/17/2011  12:27 PM       1,024,000 pearson5.ah
11/17/2011  12:27 PM       1,024,000 pearson5.ai
11/17/2011  12:27 PM       1,024,000 pearson5.aj
11/17/2011  12:27 PM       1,024,000 pearson5.ak
11/17/2011  12:27 PM       1,024,000 pearson5.al
11/17/2011  12:27 PM       1,024,000 pearson5.am
11/17/2011  12:27 PM       1,024,000 pearson5.an
11/17/2011  12:27 PM       1,024,000 pearson5.ao
11/17/2011  12:27 PM       1,024,000 pearson5.ap
11/17/2011  12:27 PM       1,024,000 pearson5.aq
11/17/2011  12:27 PM       1,024,000 pearson5.ar
11/17/2011  12:27 PM       1,024,000 pearson5.as
11/17/2011  12:27 PM       1,024,000 pearson5.at
11/17/2011  12:27 PM       1,024,000 pearson5.au
11/17/2011  12:27 PM       1,024,000 pearson5.av
11/17/2011  12:27 PM       1,024,000 pearson5.aw
11/17/2011  12:27 PM       1,024,000 pearson5.ax
11/17/2011  12:27 PM       1,024,000 pearson5.ay
11/17/2011  12:27 PM       1,024,000 pearson5.az
11/17/2011  12:27 PM       1,024,000 pearson5.ba
11/17/2011  12:27 PM       1,024,000 pearson5.bb
11/17/2011  12:27 PM       1,024,000 pearson5.bc
11/17/2011  12:27 PM       1,024,000 pearson5.bd
11/17/2011  12:27 PM       1,024,000 pearson5.be
11/17/2011  12:27 PM       1,024,000 pearson5.bf
11/17/2011  12:27 PM          974,848 pearson5.bg

其中pearson5.aa至pearson5.bg等33个文件总共加起来有30多兆，占据了apk文件的大部分内容，是词库文件。每一个文件都只有1000KB大小，是对词库文件做的处理，让它不容易被提取。

但是这个做法其实形同虚设。通过以十六进制观察pearson5.aa的文件头：

SQLite format 3...

可知是一个SQLite数据库文件。接着同样以十六进制观察其它的文件名为pearson5的文件，发现格式都非常工整，应该是将原数据库文件按1000KB一块一块地截取而成。

打开Windows的命令提示符，使用copy命令将这33个文件连缀起来，保存为dict.sqlite文件。

将dict.sqlite文件用SQLite程序打开，呈现出清晰的数据库结构，主要内容为entry_a, entry_b, entry_c, ..., entry_z这26张数据表。每张数据表存储了单词释义（pdata数据项）、发音文件名（usa和uk数据项）、词条（word数据项）、词性（pos数据项）等。

但是在这26张数据表中，单词释义（pdata数据项）不是明文存储的。以这个单词fabulous为例，其pdata数据项里面的内容为：

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

通过观察其他的pdata数据，这应该是通过Base64转换而来的，真是多此一举。将此数据通过Base64解密后，是一堆乱码：

��T�n�@��S�
Z'��Pp�HAj9��^k �ĩ�+��[�� ]T�J�,��}3��ga.�6�u��$I|�s)ʔ�6˳��7�

��{P��X�a�9��Y��<Mt��~gE6]��1}t��:��j�k�B��+w;�~��Eڮ�8��ݨ��A��q��"�qB�n��}��c�t�`Ҭ�(D�F��pl��0ذ<A>W�&a��S�j<��'��r��纍
Y׃S@[��z��s��@*)dH�K��~��3��J�7H̙ 5��6�k7��q\��aһ
X�=�p�8B�Tn�[�ik�[=_�.9�Ls�هH?��Z��
ww4�|4�.�ZV�۰��ʥ�z��#��q�-�H��o�k((�Q��e�˔��$'Ij��F)             �
$�*T��T�CG'�7
��N��ϩ�K7�_�/8r:-

这加密措施貌似做得不错。但是如果细心一点的话，也是能看出端倪的。

可以观察到，每个pdata数据都是以 H4sIAAAAAAAAA 这13个字符开头的。考虑到每个单词释义都是一个HTML文件，有统一的格式（所以所有单词释义的HTML文件的前几个字符一定是相同的），这就是一个突破口。这种情况说明了唯二的两种可能：
1. 这串数据根本就没有用什么加密方式，顶多是转换编码而已。所以每个pdata数据项的数据头都相同。
2. 如果使用了现代密码学中的私钥加密（流密码、块密码），明文与密文之间虽然是面目全非，但如果每次加密文件时都用同一个密钥初始化，则每个pdata数据项（也就是密文之间）的数据头也会相同。

通过反编译该APP的 smali 代码得到大部分 Java 源码（该应用没有进行代码混淆），没有发现 Cipher 以及 doFinal 等字样（这些是 Java 提供的用于加密解密的类或函数），初步可以确定是上述的第 1 种情况。

根据Base64的规则，取这13个字符中的前12个。但因为这前12个字符中后面8个都是A，代表6个二进制的0，没什么意义，因此真正有用的信息就是 H4sI 这4个字符。

将其进行Base64解密，所得十六进制表示为1F8B08。通过在 filesignatures.net 查找该文件头，可知它是一个gzip压缩文件，文件扩展名为*.gz。

通过Python的 Base64 模块将上述pdata数据转换成二进制gzip文件，最后可读取压缩包内的文件，该文件采用UTF-8编码，为HTML文件，但未标注扩展名。
文件内容为：

<p:Entry>
<p:Head>
<p:HWD>fabulous</p:HWD>
<p:HYPHENATION>fab‧u‧lous</p:HYPHENATION>
<p:PronCodes>
<p:PRON>ˈfæbjləs</p:PRON>
</p:PronCodes>
<p:POS>adj</p:POS>
</p:Head>
<p:Sense id="u2fc098491a42200a.6e2b450a.115037ec1b8.-ad3">
<p:DEF>extremely good or impressive</p:DEF>
<p:SYN>wonderful</p:SYN>
<p:EXAMPLE id="p008-001204322.wav">You look fabulous!</p:EXAMPLE>
<p:EXAMPLE id="p008-001204323.wav">a fabulous meal</p:EXAMPLE>
<p:EXAMPLE id="p008-001823802.wav">The room has fabulous views across the lake.</p:EXAMPLE>
</p:Sense>
<p:Sense id="u2fc098491a42200a.6e2b450a.115037ec1b8.-acc">
<p:GRAM>only before noun</p:GRAM>
<p:DEF>very large in amount or size</p:DEF>
<p:SYN>huge</p:SYN>
<p:EXAMPLE id="p008-001204328.wav">the Duke’s <p:COLLOINEXA>fabulous wealth</p:COLLOINEXA>
</p:EXAMPLE>
</p:Sense>
<p:Sense id="u2fc098491a42200a.6e2b450a.115037ec1b8.-ac5">
<p:GRAM>only before noun</p:GRAM>
<p:DEF>fabulous creatures, places etc are mentioned in traditional stories, but do not really exist</p:DEF>
<p:RELATEDWD>fable</p:RELATEDWD>
</p:Sense>
</p:Entry>

与 ldoceonline.com 的内容似乎相差不多，但却是原汁原味的第五版内容，格式非常清晰。诸位若有兴趣，也可以拿来练练手。

enjoy了哦 · 发表于 2019-3-21 09:14:04

本帖最后由 enjoy了哦于 2019-3-21 09:53 编辑

haoduodianying 发表于 2019-3-20 14:11
, e v d6 r7 z$ Q. R8 V楼主大神膜拜中。
: L/ @5 p. K5 X% q' c. A2 u7 a+ K {% j- O; d
楼主所言：通过Python的 Base64 模块将上述pdata数据转换成二进制gzip文件

思路：
1. 首先将pdata数据写入一个字符串str中，
2. （载入base64模块后）调用base64.b64decode(str)，将结果赋值给另一个变量binary_data。
3. 以二进制写入模式创建一个文件，例如data.gz。
4. 将binary_data写入data.gz中。
5. 关闭该文件data.gz。

上Python代码：

import base64
5 }4 X( c& }: R6 o+ f
# S: O; t' H) g0 b* T
str = '此处填入pdata数据'
3 ?( c6 a5 G- ~6 r; N
binary_data = base64.b64decode(str)
; z0 Y! s$ E4 G5 w+ [. C: r7 V
f = open('data.gz','wb') F$ r/ j" N @" i% B8 t% O
f.write(binary_data)' q; m+ c( _, ~
f.close()

复制代码

然后就可以打开data.gz观察解码出的数据。

如果是Python 3.2 及以上，还可以更方便一些：

import base64 p v6 k c9 `' R) E# u: x1 }
import gzip' e" o9 S$ \, w, t, O
9 h5 I) f+ B1 M) \! V5 q4 L- i! L- g
str = '此处填入pdata数据'
/ `' L- J: o5 f6 p w2 u) @% U& @
binary_data = base64.b64decode(str)3 u4 ~- |2 P" T: k
dict_content = gzip.decompress(binary_data)

复制代码

这里的dict_content就是最终的结果，也就是词典的数据。

enjoy了哦 · 发表于 2019-2-7 21:42:18

jonah_w 发表于 2019-2-7 20:59
( O" L! m+ Z4 o$ F放佛打开了加密技术的一小扇门，好像蛮有意思的，想深入研究下。不知能否推荐一些流加密、块加密的资料，如 ...

老实讲，词典软件一般不会用到什么真正的加密技术，除非特别缺心眼的那种。如果想要了解密码学的话，我看的是Introduction to Modern Cryptography 第二版，作者是Jonathan Katz和Yehuda Lindell。这本书最大的特点就是严谨，一个结论的推导能整整有四五页，环环相扣，就像看小说一样，很过瘾！中文教材我就不清楚了，但也有很多资料。

chigre3 · 发表于 2019-2-7 18:05:03

提供了非常好的经验，加分点赞！

drongh · 发表于 2019-2-7 18:12:57

这个牛逼，非常佩服楼主。下次我也来破解一版。谢谢。

文新 · 发表于 2019-2-7 18:47:57

高手，非常佩服

jonah_w · 发表于 2019-2-7 20:44:47

果真技术达人，学到不少，感谢分享宝贵经验

jonah_w · 发表于 2019-2-7 20:59:50

放佛打开了加密技术的一小扇门，好像蛮有意思的，想深入研究下。不知能否推荐一些流加密、块加密的资料，如果能介绍下移动软件中一些常用加密技术就简直太好了，不过这篇文章提到一些技术点也足够研究一会儿了，哈哈。再次感谢。

498018591 · 发表于 2019-2-7 21:45:39

牛。受教了。感谢分享

jonah_w · 发表于 2019-2-7 21:47:12

enjoy了哦发表于 2019-2-7 21:42
C# i4 w# Z7 x; N1 l$ u4 @老实讲，词典软件一般不会用到什么真正的加密技术，除非特别缺心眼的那种。如果想要了解密码学的话，我看 ...

好的，我先记下了。感谢推荐

theduck1968 · 发表于 2019-2-13 21:22:16

Thanks for sharing

anpu21555 · 发表于 2019-2-15 18:13:50

XIEXIEFENXIANG

wanglin666 · 发表于 2019-2-18 13:44:48

楼主破译高手

wht1979 · 发表于 2019-2-18 15:02:41

本帖最后由 wht1979 于 2019-2-18 15:04 编辑

楼主，钱伯斯21世纪安装版的数据文件用文本打开就是有规律的那些问好，你说可以想你这样给弄出来么？

安的就是这个
https://www.pdawiki.com/forum/thread-13997-1-1.html

@O版的帖子里给的安装盘。

enjoy了哦 · 发表于 2019-2-19 00:56:16

wht1979 发表于 2019-2-18 15:02
. Q) z8 `, W+ t+ ]: h* T, L3 f& x楼主，钱伯斯21世纪安装版的数据文件用文本打开就是有规律的那些问好，你说可以想你这样给弄出来么？
, j8 o6 k- j3 d+ N3 ^4 \ {" @7 O) `' T# ^! y

...

我看了一下，这个是被加密了的 SQLite 2.1 版本的数据文件，需要输入密码才能查看 SQLite 数据库的存储内容，一般这种就很难破解了。

wht1979 · 发表于 2019-2-19 08:41:46

enjoy了哦发表于 2019-2-19 00:56
# d* M+ I* b! x& Y我看了一下，这个是被加密了的 SQLite 2.1 版本的数据文件，需要输入密码才能查看 SQLite 数据库的存储内 ...

朗文简明活用，还有这个钱伯斯都是有光盘没有字典，可能就是加了密的文件（不懂，猜的）原因。

lihongwu · 发表于 2019-2-20 23:53:55

厉害了，钻研精神可嘉！

weihana · 发表于 2019-2-22 18:51:02

指明了方向，开了眼界，赞！

aa6777347 · 发表于 2019-2-23 13:18:43

厉害了楼主

alredstone · 发表于 2019-2-26 09:06:28

jonah_w 发表于 2019-2-7 21:47; l5 }$ S# T' C
好的，我先记下了。感谢推荐

默默的上传一个附件，最大只能上传5MB的附件，一个变俩

jonah_w · 发表于 2019-2-26 09:54:25

alredstone 发表于 2019-2-26 09:06
0 G# Q& ~& j6 {8 t7 _$ M默默的上传一个附件，最大只能上传5MB的附件，一个变俩

非常感谢

jonah_w · 发表于 2019-2-26 09:55:44

不知楼主是否可以看下这个：
牛津现代英汉双解词典第9版(COD9)（名人电子词典模拟器）
https://www.pdawiki.com/forum/thread-33264-1-1.html?x=294297

能否解密

devil2001 · 发表于 2019-2-26 19:38:13

学习了，好像开始有点门道了

duwentao1 · 发表于 2019-3-5 09:18:27

厉害了，学习一下

redj0705 · 发表于 2019-3-6 02:27:59

天啊！楼主您简直是神人！

zzzz_sleep · 发表于 2019-3-19 16:29:24

学习了，特别是文件格式的猜测

		自动登录	找回密码
密码			免费注册

[讨论] 朗文当代高级词典第五版（英英版）词库提取

评分

本帖被以下淘专辑推荐:

本帖子中包含更多资源

评分