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

lgmcw · 发表于 2019-10-9 03:46:36

本帖最后由 lgmcw 于 2020-11-19 22:31 编辑

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。
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。
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.

Windows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。

Python实现的txt转MDX代码：

游客，如果您要查看本帖隐藏内容请回复

欢迎提建议
⚜ 感兴趣可以看看我的其他字典，绝大部分都公开分享。

muyuzhth0 · 发表于 2021-7-23 14:38:37

python3.8.9调试成功！

做了如下修改：

1.genMDX_ox4.py

（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

（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:

（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 · 发表于 2019-12-6 14:19:04

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")
测试通过。

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 · 发表于 2023-3-9 22:28:50

好的，感谢老铁啊

brbr54 · 发表于 2023-3-8 14:04:03

感谢大神分享

xxv · 发表于 2023-2-14 11:51:09

感谢楼主分享

0381yangyili · 发表于 2022-12-30 17:34:07

谢谢高手无私分享这么好的教程

bangbang2021 · 发表于 2022-12-28 10:39:48

试试看，谢谢大佬

starll · 发表于 2019-12-9 09:53:05

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 · 发表于 2019-10-9 08:44:33

谢谢L大，等了1年了。

SweetPanda · 发表于 2023-3-29 17:40:05

谢谢大佬都是好东西来晚了就看到要关站

zh_lwm · 发表于 2019-10-9 06:37:56

先收藏再研究，谢谢分享

skydan05 · 发表于 2019-10-9 06:38:46

震撼！谢谢！

Michael200803 · 发表于 2019-10-9 07:00:20

thanks a lot

喬治兄 · 发表于 2019-10-9 07:09:48

感謝 lgmcw 兄:
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

coolfish52 · 发表于 2019-10-9 07:54:53

謝謝分享資源

csmpaul · 发表于 2019-10-9 08:05:03

好东西，学习学习，谢谢楼主分享技术

999阿彌陀佛 · 发表于 2019-10-9 08:19:19

謝謝分享此重量級工具，感谢！

cocowind · 发表于 2019-10-9 08:28:06

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 · 发表于 2019-10-9 09:06:01

谢谢l大，准备考研结束后就折腾折腾

wrscn · 发表于 2019-10-9 09:07:57

非常感谢你的分享。

codex · 发表于 2019-10-9 09:21:53

好东西谢谢分享

oversky · 发表于 2019-10-9 09:30:46

請問 mdxbuilder 目前能處理的文檔大概是多大？

HMPT · 发表于 2019-10-9 10:06:07

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 · 发表于 2019-10-9 10:14:53

emmm论坛有个excel转mdx的工具很不好用。。。

nullname · 发表于 2019-10-9 16:54:33

感谢分享，看看，学习一下

lgmcw · 发表于 2019-10-10 01:02:33

HMPT 发表于 2019-10-9 10:06" u* p0 h, G( j* ^
还是可以指定输入文件的命令行方式不较好
- `- D4 f. g: }. c5 B0 ^* d比如 python genMDX.py source.txt about.txt ...

这个其实改一下入口文件就能实现，应该不难的。

lgmcw · 发表于 2019-10-10 01:03:25

本帖最后由 lgmcw 于 2019-10-10 01:58 编辑

oversky 发表于 2019-10-9 09:30. q+ E6 |$ I- Z/ D; k2 R
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 · 发表于 2019-10-10 07:27:37

lgmcw 发表于 2019-10-10 01:03/ H' ~ c1 M; U' r1 G
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 · 发表于 2019-10-10 11:24:07

很有用的工具

huwei007 · 发表于 2019-10-10 11:45:08

非常感谢分享!

lgmcw · 发表于 2019-10-12 12:38:31

喬治兄发表于 2019-10-9 07:09, F/ o3 a  z+ X8 a
感謝 lgmcw 兄:$ A: `  }9 @; U+ {; Y
分享  ' w) T1 H" ?. u4 i# h! w8 y3 X
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

兄弟可测试通过，此工具可还好用？

喬治兄 · 发表于 2019-10-12 12:48:11

lgmcw 发表于 2019-10-12 12:383 l; I a9 F# n2 v; o0 \7 U# O( G
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 · 发表于 2019-10-12 15:33:11

本帖最后由流星冲击于 2019-10-12 15:37 编辑

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。

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。

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。

		自动登录	找回密码
密码			免费注册

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

评分

本帖被以下淘专辑推荐:

相关帖子

评分

评分

点评

评分

点评