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

lgmcw

. A. i9 P5 f) J$ i; B/ y' Y
. H" |3 [- f- R4 j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。
" t8 T( x% C2 e& J  G' L. W4 x以后我会做一款带GUI的，针对小白玩家。

1 C9 u1 \" M+ @9 u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。
9 `( F% c( A4 |' qgenMDX_ox4.py is the entrance file you want to use in CMD/terminal. I've also enlcosed a OALD4_azure.txt for testing purpose.


1 |( J# ^" @/ e. h) Z5 u
Windows下运行举例（需安装python）：
3 W5 Z/ D8 n" M/ D9 a6 s& n- ]
5 F7 r, |* d3 a3 k9 K5 w* N" K& L+ [
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。
, \" n, W8 T0 k2 H8 p' }( H- l4 g2. 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。
  `- e4 J7 [1 r, j2 c# U) s


$ H6 z3 Y: o% m! o( q7 z/ vPython实现的txt转MDX代码：
; m# S) y( X0 c" p1 z" ?

游客，如果您要查看本帖隐藏内容请回复

欢迎提建议
: _+ h9 L' C" a0 e) G( U⚜ 感兴趣可以看看我的其他字典，绝大部分都公开分享。
5 ?4 {5 [+ b2 M9 a. ]7 f


6 m9 J# T% J$ N3 A
; B2 a6 S+ M# ~  R/ n3 [

muyuzhth0

python3.8.9调试成功！
+ a3 A. A0 `6 e2 D, G" O
5 V( J" I2 A' N2 b) B: k0 v$ y/ S做了如下修改：

* s+ I' ?" e9 v1 H" O' y1.genMDX_ox4.py
2 j! l$ M. j* q! s0 t9 S8 }: V8 }
（1）注释掉前三行# -*- coding: GBK -*-  # coding: utf-8  # encoding=utf8，解决SyntaxError: encoding problem: GBK

（2）注释掉import sys  reload(sys)  sys.setdefaultencoding('utf-8')，python3不需要了
; ?- W. ?# z# f: K9 F
（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:
7 w- R/ I- h1 X; ?
3 S4 F8 E3 R" q. Y+ B0 ?% U$ H0 H; h（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.writemdict.py

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
# ~1 T. v* Q' \! ^- q/ |importlib.reload(sys)
然后删掉：sys.setdefaultencoding("utf-8")
7 X% l& Z" p, ^测试通过。
3 a6 U( Y; H+ |
3 n6 L, F; [; g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>
    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:
0 \6 [) Y% L, U0 K分享

【支持超大文件】Python打包MDX词典工具

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
謝謝仁兄分享此重量級工具
* j% B; Y$ n! 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
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 ...

1 h: ~. @8 U6 \: e这个其实改一下入口文件就能实现，应该不难的。

lgmcw

$ Y2 R. {& d( a7 d- M% B

oversky 发表于 2019-10-9 09:30
+ g" ?% y% J% k$ J, _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。

- y2 K" }" }5 D9 C7 @) J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
& e' t/ Q9 H3 `$ p感謝 lgmcw 兄:
5 ?. x/ |4 d' \: |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

& F! @6 }. w6 {, N' `. O3 ?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
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

% r- `7 A; a" v5 N6 p
+ p+ V) \/ X% @: c4 p- \9 Q: ~* @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。
; l# J; g# \! d# ^& n/ n
  {$ |) j  T; V; D4 v( H) u* q4 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！
" Z9 b% ~3 X$ 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。
( T' {, I) R9 L2 }; K/ M3 g
/ e0 B6 s6 o% J* J, A7 y2 R5 Q! ]4 T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。