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

lgmcw

4 s  S$ `, w# n- U7 h" f: Y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。
! c$ J5 c3 w6 ]以后我会做一款带GUI的，针对小白玩家。
7 x; D2 Z5 V/ l
- f; C) x$ X2 k5 x; ~7 |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。
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.
6 ~% L. h2 C4 K7 Y( _- P$ }
& [% ~( z0 p. W# b- A
. c! I* I+ U: U2 l# o9 O
3 O! B7 F9 U6 }0 R3 u- p$ K& p6 DWindows下运行举例（需安装python）：
" ]0 q& H" m; x& |+ V5 U( U$ z9 W

, m, C: C& P1 Q3 U' o相较于原版我主要改了两个地方：
- U% z& X  ]/ m3 J7 S# E1. 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。



Python实现的txt转MDX代码：
3 B% W8 ^9 s+ |) a! y

游客，如果您要查看本帖隐藏内容请回复

欢迎提建议
* m  T+ I7 W! U7 n* I⚜ 感兴趣可以看看我的其他字典，绝大部分都公开分享。

1 d4 t! c9 B4 _0 _4 W6 g( ~( p  f# ?

muyuzhth0

python3.8.9调试成功！

做了如下修改：

1.genMDX_ox4.py
, S: O0 P/ L" _5 {
, ?& n3 F$ f- c9 ]% ^* r（1）注释掉前三行# -*- coding: GBK -*-  # coding: utf-8  # encoding=utf8，解决SyntaxError: encoding problem: GBK

. @- w5 E$ I/ j+ |6 G( A1 B' C- M（2）注释掉import sys  reload(sys)  sys.setdefaultencoding('utf-8')，python3不需要了
5 _+ W9 T+ y: E1 ~
. R, A& M; h4 g. w（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:
) a+ x) Z* y' N6 v7 Z2 V; `2 E- N- D
& w6 p3 ?8 S- z4 i+ l0 M) C（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。

  j9 _: _% O. r' \( j+ P2.writemdict.py
$ m7 y- U$ C4 F" F
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
importlib.reload(sys)
然后删掉：sys.setdefaultencoding("utf-8")
) C9 V% o) L( C) `( |: A) n! t测试通过。
* g1 X" y9 l  r. g& T1 `9 F
6 @! F* G6 W' o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 M) ?- J+ U" p. \3 q  File "genMDX_ox4.py", line 14, in <module>
# n$ `9 r$ b+ A  E    reload(sys)
NameError: name 'reload' is not defined

% b; j* D& k1 H' ~解决：
2 @8 F. S' r% ?# g: z$ C5 w, z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:
' H9 l0 B/ I- O分享

【支持超大文件】Python打包MDX词典工具

1 n6 k1 Y2 m4 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
4 ~9 E# w6 [" G8 k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
% @4 f- D" j. F# r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
4 q  c3 W7 R- G3 C比如 python genMDX.py source.txt about.txt ...

5 H& q% r( g, W9 c$ A这个其实改一下入口文件就能实现，应该不难的。

lgmcw

, L! A8 ~4 D8 e8 @2 {" Y

oversky 发表于 2019-10-9 09:30
$ t; F/ J* @# S$ o7 N- H請問 mdxbuilder 目前能處理的文檔大概是多大？

' p; }8 x6 K* x# h5 F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 v) d- s) X, @9 r你可以咨询一下@喬治兄 ，他可是屡屡遇到上限。

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:
分享  
6 h! x+ r/ u  _' j2 x( Q: 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

$ @" T) y) p+ U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
% @7 R: \& F9 A8 A  r6 K1 H5 Q, J兄弟可测试通过，此工具可还好用？

! x: h1 f$ u& s6 @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

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。
3 E. y% r+ o# K( q
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！
/ v) r; W8 q$ i
& i4 t3 i4 m" V0 ~( U2. 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。
8 p, \/ J1 F* ^# C
5 E3 ~* P+ p& [) D/ v5 `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？
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。