掌上百科 - PDAWIKI

 找回密码
 免费注册

QQ登录

只需一步,快速开始

查看: 28863|回复: 405

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

  [复制链接]
  • TA的每日心情
    奋斗
    2020-11-15 11:37
  • 签到天数: 249 天

    [LV.8]以坛为家I

    发表于 2019-10-9 03:46:36 | 显示全部楼层 |阅读模式
    本帖最后由 lgmcw 于 2020-11-19 22:31 编辑 4 Q) i/ A" Z$ i# V8 z! J4 \
    ) U# Q8 {( r, ]& t. W' M
    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。
    & ]+ T" S4 Z0 s) G2 B以后我会做一款带GUI的,针对小白玩家。
    8 A# z4 t: t! ^' ^; O  u) H8 ]6 L6 O. g; L5 f- M0 d
    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。
    0 S7 C8 \1 U! ?) i& v, x1 t7 ?genMDX_ox4.py is the entrance file you want to use in CMD/terminal. I've also enlcosed a OALD4_azure.txt for testing purpose.
    7 N1 M2 O- g9 Z: Z# _2 a2 p+ l
    3 J8 P7 _$ z$ {$ ]! W/ i" p+ p; v2 o  S# \7 a2 a: }; Q8 X
    $ e- M, E6 h+ T+ o; o$ ~" y
    Windows下运行举例(需安装python):: W( y9 @( B9 ~: z8 h

    7 S  l( K7 ]# K! e4 y* _4 p8 B
    - \! v4 U  ?% V% g相较于原版我主要改了两个地方:' i8 p6 }5 O  n. S" z* k
    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& c5 O% \! L( n! A( F5 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。
    3 _4 l! s5 v' v5 ?% T+ T
    9 M3 l) \$ u3 v" R& ~0 \5 Y
    ) U! i* o4 n5 Y' Q( A+ \5 D7 w* n- }$ R0 V
    Python实现的txt转MDX代码:! ~5 W5 d* Q0 i+ v! v# \

    $ ^9 O; n+ `: H7 C* a
    游客,如果您要查看本帖隐藏内容请回复
    欢迎提建议. {, E/ D4 w, ^" j' ^, c* n4 `% m
    ⚜ 感兴趣可以看看我的其他字典,绝大部分都公开分享。. y* v! h# u0 n; J0 ^8 Q  t! E' \7 [' k

    5 I: X0 P( I. k$ Y/ k8 t8 M4 Z) d0 @' q' j& x; ~4 n+ f& _3 N# {

    , ]. a2 b6 `$ J* f3 Y
    6 M* N: i9 `; v% |/ U0 f, `) e$ a9 ]# {# d6 w( D

    ( L$ x0 ~' T9 B8 I5 u

    评分

    5

    查看全部评分

    本帖被以下淘专辑推荐:

    该用户从未签到

    发表于 2021-7-23 14:38:37 | 显示全部楼层
    python3.8.9调试成功!$ {; k1 C$ I, H5 i& h  F' u

    / k+ s$ H1 l) K( m" Z" l9 o做了如下修改:, z  w" f' o7 a- H. h) R1 Z6 ], U

    1 j- [8 b: y/ \7 ^0 R% U1.genMDX_ox4.py
      K7 `& ~3 q8 b5 ~$ V6 E) y0 k& v6 H1 c# K  O$ S/ m
    (1)注释掉前三行# -*- coding: GBK -*-  # coding: utf-8  # encoding=utf8,解决SyntaxError: encoding problem: GBK
    8 R) B8 Q# h8 x. E  c+ q) x& |% N- K  `+ p; ]
    (2)注释掉import sys  reload(sys)  sys.setdefaultencoding('utf-8'),python3不需要了
    ; d- ]6 M4 p! t6 o5 {, `/ b
    . U& D  h  j. b. i! ^7 y4 ]4 ]4 l(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:
    ! j. |, c6 G& }" X! ]4 \& f! P" j( }* H- C# B2 L8 K
    (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。
    ' m1 i/ c; }$ ?) \) x' I3 L  m1 \" z, l. X  L  a/ b* @$ G5 f9 r
    2.writemdict.py
    . ^& o9 s1 I  d. ~6 A- N! V, j: _0 s/ O6 |2 K% W. i$ ^, w
    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。

    评分

    1

    查看全部评分

  • TA的每日心情
    无聊
    2023-12-27 22:43
  • 签到天数: 500 天

    [LV.9]以坛为家II

    发表于 2019-12-6 14:19:04 | 显示全部楼层
    我的是Python3.7的,genMDX_ox4.py文件里面的. q4 G7 u% j& x5 ~; ~
    imp.reload(sys)改为:
    3 N& K5 a9 @% q2 b; X0 b+ @& z0 O. jimport importlib
    ' z/ y# A- F0 Q7 [* Z8 J8 x9 uimportlib.reload(sys)
    2 J  c% M  q, f# ^+ L然后删掉:sys.setdefaultencoding("utf-8")5 U4 n: Y! y" n  {
    测试通过。: v- d1 x- V5 K! q$ D- s

    7 O. d+ ]  q" Z2 k* q6 P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。

    评分

    1

    查看全部评分

    该用户从未签到

    发表于 2023-3-9 22:28:50 | 显示全部楼层
    好的,感谢老铁啊

    该用户从未签到

    发表于 2023-3-8 14:04:03 | 显示全部楼层
    感谢大神分享
  • TA的每日心情
    慵懒
    2023-10-11 10:27
  • 签到天数: 198 天

    [LV.7]常住居民III

    发表于 2023-2-14 11:51:09 | 显示全部楼层
    感谢楼主分享

    该用户从未签到

    发表于 2022-12-30 17:34:07 | 显示全部楼层
    谢谢高手无私分享这么好的教程
  • TA的每日心情
    开心
    2021-11-18 11:26
  • 签到天数: 3 天

    [LV.2]偶尔看看I

    发表于 2022-12-28 10:39:48 | 显示全部楼层
    试试看,谢谢大佬
  • TA的每日心情

    2022-5-16 09:51
  • 签到天数: 208 天

    [LV.7]常住居民III

    发表于 2019-12-9 09:53:05 | 显示全部楼层
    反馈个问题,直接跑大佬的源码,在mac上会报如下错误:
      B3 t1 t5 X( G  z, I; w+ ^Traceback (most recent call last):: o: G+ ^3 S9 l
      File "genMDX_ox4.py", line 14, in <module>
    , N# R, N+ `5 s+ v    reload(sys)7 I4 h% O9 t% Q; R4 r/ |2 D
    NameError: name 'reload' is not defined
    2 q) w% s6 N! f6 R. }
    : ~$ N$ e- j4 `1 |3 M5 y/ |) r解决:
    6 q7 n4 K2 ?' r' L3 s- z; l注释掉文件line14和line15,即可

    点评

    应该是python3和python2.7的区别  发表于 2019-12-9 10:15

    评分

    1

    查看全部评分

  • TA的每日心情
    慵懒
    2023-1-18 13:13
  • 签到天数: 539 天

    [LV.9]以坛为家II

    发表于 2019-10-9 08:44:33 | 显示全部楼层
    谢谢L大,等了1年了。
  • TA的每日心情
    无聊
    2023-6-6 10:30
  • 签到天数: 2 天

    [LV.1]初来乍到

    发表于 2023-3-29 17:40:05 | 显示全部楼层
    谢谢大佬 都是好东西来晚了 就看到要关站
  • TA的每日心情
    开心
    2023-2-21 17:06
  • 签到天数: 227 天

    [LV.7]常住居民III

    发表于 2019-10-9 06:37:56 | 显示全部楼层
    先收藏再研究,谢谢分享
  • TA的每日心情
    无聊
    2021-8-13 07:38
  • 签到天数: 195 天

    [LV.7]常住居民III

    发表于 2019-10-9 07:00:20 | 显示全部楼层
    thanks a lot
  • TA的每日心情
    开心
    2018-8-8 03:13
  • 签到天数: 1 天

    [LV.1]初来乍到

    发表于 2019-10-9 07:09:48 | 显示全部楼层
    感謝 lgmcw 兄:. y/ H2 B" `7 u) s" b! _" n$ X
    分享
    【支持超大文件】Python打包MDX词典工具

    - s9 M% K# n# x# w. W' _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' i' m9 U4 }7 D" b
    謝謝仁兄分享此重量級工具
    : J/ S4 k, q5 L4 V$ H  f8 ?
  • TA的每日心情
    擦汗
    2022-5-20 11:41
  • 签到天数: 222 天

    [LV.7]常住居民III

    发表于 2019-10-9 07:54:53 | 显示全部楼层
    謝謝分享資源
  • TA的每日心情
    开心
    昨天 08:12
  • 签到天数: 2306 天

    [LV.Master]伴坛终老

    发表于 2019-10-9 08:05:03 | 显示全部楼层
    好东西,学习学习,谢谢楼主分享技术
  • TA的每日心情
    开心
    2020-1-5 08:04
  • 签到天数: 50 天

    [LV.5]常住居民I

    发表于 2019-10-9 08:19:19 | 显示全部楼层
    謝謝分享此重量級工具,感谢 !

    点评

    如果是古籍文献,有可能需要用UTF-16。要自己摸索一下修改入口文件。  发表于 2019-10-10 01:04
  • TA的每日心情
    开心
    2022-1-21 00:52
  • 签到天数: 699 天

    [LV.9]以坛为家II

    发表于 2019-10-9 08:28:06 | 显示全部楼层
    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。
  • TA的每日心情
    无聊
    2020-12-19 21:10
  • 签到天数: 21 天

    [LV.4]偶尔看看III

    发表于 2019-10-9 09:06:01 | 显示全部楼层
    谢谢l大,准备考研结束后就折腾折腾
  • TA的每日心情
    奋斗
    2021-3-15 08:06
  • 签到天数: 585 天

    [LV.9]以坛为家II

    发表于 2019-10-9 09:07:57 | 显示全部楼层
    非常感谢你的分享。
  • TA的每日心情
    奋斗
    2023-2-19 20:22
  • 签到天数: 682 天

    [LV.9]以坛为家II

    发表于 2019-10-9 09:21:53 | 显示全部楼层
    好东西 谢谢分享
  • TA的每日心情
    无聊
    2022-9-25 21:09
  • 签到天数: 1136 天

    [LV.10]以坛为家III

    发表于 2019-10-9 09:30:46 | 显示全部楼层
    請問 mdxbuilder 目前能處理的文檔大概是多大?
  • TA的每日心情

    2019-9-20 08:37
  • 签到天数: 214 天

    [LV.7]常住居民III

    发表于 2019-10-9 10:06:07 | 显示全部楼层
    还是可以指定输入文件的命令行方式不较好. W2 S' a/ ^6 g% N7 g
    比如 python genMDX.py source.txt about.txt
  • TA的每日心情

    2023-7-8 15:11
  • 签到天数: 304 天

    [LV.8]以坛为家I

    发表于 2019-10-9 10:14:53 | 显示全部楼层
    emmm论坛有个excel转mdx的工具很不好用。。。
  • TA的每日心情
    开心
    2023-9-27 20:45
  • 签到天数: 847 天

    [LV.10]以坛为家III

    发表于 2019-10-9 16:54:33 | 显示全部楼层
    感谢分享,看看,学习一下
  • TA的每日心情
    奋斗
    2020-11-15 11:37
  • 签到天数: 249 天

    [LV.8]以坛为家I

     楼主| 发表于 2019-10-10 01:02:33 | 显示全部楼层
    HMPT 发表于 2019-10-9 10:06
    ; e- J' a0 c& B1 k! Z' Q$ g还是可以指定输入文件的命令行方式不较好# ~+ v" S/ L" y, h
    比如 python genMDX.py source.txt about.txt ...

    ) [& ?& ]: b$ w5 _这个其实改一下入口文件就能实现,应该不难的。
  • TA的每日心情
    奋斗
    2020-11-15 11:37
  • 签到天数: 249 天

    [LV.8]以坛为家I

     楼主| 发表于 2019-10-10 01:03:25 | 显示全部楼层
    本帖最后由 lgmcw 于 2019-10-10 01:58 编辑
    ) |# u! u- B8 \6 A" k8 h* S7 R2 w
    oversky 发表于 2019-10-9 09:30; [1 Q9 Z: P8 a% J% t
    請問 mdxbuilder 目前能處理的文檔大概是多大?

    ( O& z" Q; ~8 n6 Z; d0 H你可以咨询一下@喬治兄 ,他可是屡屡遇到上限。
  • TA的每日心情
    无聊
    2022-9-25 21:09
  • 签到天数: 1136 天

    [LV.10]以坛为家III

    发表于 2019-10-10 07:27:37 | 显示全部楼层
    lgmcw 发表于 2019-10-10 01:03
    6 H5 L# G# x# S/ U你可以咨询一下@喬治兄 ,他可是屡屡遇到上限。

    ! |: l4 w7 {" `0 k谢谢您的指引。

    该用户从未签到

    发表于 2019-10-10 11:24:07 | 显示全部楼层
    很有用的工具
  • TA的每日心情
    开心
    2021-4-24 17:14
  • 签到天数: 119 天

    [LV.6]常住居民II

    发表于 2019-10-10 11:45:08 | 显示全部楼层
    非常感谢分享!
  • TA的每日心情
    奋斗
    2020-11-15 11:37
  • 签到天数: 249 天

    [LV.8]以坛为家I

     楼主| 发表于 2019-10-12 12:38:31 | 显示全部楼层
    喬治兄 发表于 2019-10-9 07:09- v/ u& F) i+ A$ u# |# K( S6 c6 W
    感謝 lgmcw 兄:
    % w/ e( H" H% Z  s分享  
      o- z4 q* Y' |+ x- b& u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

    * [; ~: k  k* v8 J1 T. x, M' b兄弟可测试通过,此工具可还好用?
  • TA的每日心情
    开心
    2018-8-8 03:13
  • 签到天数: 1 天

    [LV.1]初来乍到

    发表于 2019-10-12 12:48:11 | 显示全部楼层
    lgmcw 发表于 2019-10-12 12:38
    " y+ w! W9 _) m5 \% A+ W兄弟可测试通过,此工具可还好用?
    6 L3 D2 B- c) m
    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!
  • TA的每日心情
    开心
    2019-3-26 21:36
  • 签到天数: 178 天

    [LV.7]常住居民III

    发表于 2019-10-12 15:33:11 | 显示全部楼层
    本帖最后由 流星冲击 于 2019-10-12 15:37 编辑
    6 V& U' k; Y  K; `! x) \5 M9 s# |6 ^, [5 v/ v
    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。
    ( Z. Q1 E' z, ^; C  e/ g; `. R6 ?, j3 S
    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!
    ' |9 e* O- q9 n/ U: F3 ?' K4 m7 ]! W9 y0 B; e
    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。
    * w; H+ U2 a, P
    2 s/ A" |- Z: G  U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?
    0 k+ b4 I# N* O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。
    您需要登录后才可以回帖 登录 | 免费注册

    本版积分规则

    小黑屋|手机版|Archiver|PDAWIKI |网站地图

    GMT+8, 2024-3-29 01:07 , Processed in 0.078399 second(s), 15 queries , MemCache On.

    Powered by Discuz! X3.4

    Copyright © 2001-2023, Tencent Cloud.

    快速回复 返回顶部 返回列表