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

lgmcw

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。

; m7 M: E- `8 ?' o! t) J  b" o; N# L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.
& C$ l5 i+ q) K3 _0 ~

0 d& R) S; {4 m. c9 l6 o
6 Q8 P0 J9 ?, r$ \" V7 B8 X$ hWindows下运行举例（需安装python）：
, B, ?  \$ b" t1 o

相较于原版我主要改了两个地方：
" _6 O4 R3 `1 h9 ^% z8 k1. 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。
" [! x6 B/ F" b% J+ C: q

, m# }2 n: J+ D1 Q. e! q, L
Python实现的txt转MDX代码：

+ F* g; Z& f+ O' a" ]

游客，如果您要查看本帖隐藏内容请回复

欢迎提建议
/ q: Y; o) ^5 J  f" ]* K5 |5 q⚜ 感兴趣可以看看我的其他字典，绝大部分都公开分享。





0 N( A7 m0 ]0 p0 y1 W

muyuzhth0

python3.8.9调试成功！

做了如下修改：
) \' h. z2 z5 `
# `# N$ b8 d$ \/ c4 n1.genMDX_ox4.py
3 U, Q$ g0 }9 o( O0 E. m
（1）注释掉前三行# -*- coding: GBK -*-  # coding: utf-8  # encoding=utf8，解决SyntaxError: encoding problem: GBK
6 ~" ]9 }6 s( c# D6 }" U
（2）注释掉import sys  reload(sys)  sys.setdefaultencoding('utf-8')，python3不需要了

2 O- J1 E1 v* [1 S# ?  i（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:
" t% y. m) r" |2 T- M* A
3 M) Y* y. C- o/ k2 L（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
: ~  M& \6 r. p1 f  l5 v& ?% 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：
; d5 A: e4 q- p/ O6 Z, u+ Qimport importlib
0 M, u1 \2 e  ?importlib.reload(sys)
; ~, j0 Y5 Z2 E; ~然后删掉：sys.setdefaultencoding("utf-8")
& N3 Y- t/ ~6 R5 P8 e测试通过。
+ I) ~. S" Z# D! z; y- B5 W; e- a+ q
' _( W" }) w: z$ f  D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):
2 ^) O8 n6 y  C3 w5 F" f" |" L2 [  File "genMDX_ox4.py", line 14, in <module>
    reload(sys)
. Y$ X$ B# s  s8 v* t. J1 f+ z) N9 dNameError: name 'reload' is not defined

# S4 ], }( c4 g( v8 p  q2 q" z9 p; h6 _解决：
/ ~0 n! G" z2 g  H% r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:
* ~! l; M- G. Y" P" [" E" T! |2 E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
- U5 r( R" s. x/ l+ n

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
0 w$ M% r0 P0 j1 |9 M# U$ b8 W还是可以指定输入文件的命令行方式不较好
6 U8 h7 A8 }1 G5 Z比如 python genMDX.py source.txt about.txt ...

6 B5 Y* p/ _1 Q8 j$ |! `3 C, T6 W这个其实改一下入口文件就能实现，应该不难的。

lgmcw

3 _! \9 l$ d& {' C  |' ?1 k. c2 H

oversky 发表于 2019-10-9 09:30
請問 mdxbuilder 目前能處理的文檔大概是多大？

! v8 X2 |4 _6 V* O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
/ ~9 G2 k4 Y1 a) W& A6 K% _' y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  
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

7 i  ]) i& Z. l6 f. |2 D+ B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
6 ?6 j. |& v& ~4 w  \# n8 i: l6 b; U兄弟可测试通过，此工具可还好用？

6 H5 \& h5 W" P" D9 g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。

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！

% }; L) Z  L! F/ ~( k2. 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。
0 p; H; X) L$ u- z) W+ a
" o  H& e) B3 ]/ S: M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。