旅游后台网站,app域名在哪里注册,网页制作与网站建设服务器,建设工程自学网站一#xff1a;爬取词库#xff0c;使用jieba分词库#xff0c;自定义dict.txt文件
import jiebafrom urllib.request import urlopen
from bs4 import BeautifulSoup# 来源于地图搜索数据#xff0c;按照网民输入习惯精心筛选使用较多的词条。包含城市地名、公交、购物、餐…一爬取词库使用jieba分词库自定义dict.txt文件
import jiebafrom urllib.request import urlopen
from bs4 import BeautifulSoup# 来源于地图搜索数据按照网民输入习惯精心筛选使用较多的词条。包含城市地名、公交、购物、餐饮、楼盘等各种信息适合本地区网友使用
url http://search.qinggl.com/dict-3687.html
html urlopen(url).read().decode(utf-8)
soup BeautifulSoup(html, featureslxml)
urls soup.find_all(div, {id: box-new,class:wordbox basic})
print(urls)
print(type(urls))
x str(urls)
x x.replace(span,)
x x.replace(span,)
x x.replace(/span,\n)
x x.replace(/div,)
x x.split(\n)
x x[1:]
x.pop()
print(len(x))
print(x)jieba.load_userdict(./dict.txt)
word_list jieba.cut(我今天不处理逾期信用贷款因为成都木材防腐厂根本打不开.我几天想去语过添情网吧开心happy一下。)
print(|.join(word_list))
# #D:\anacoda\envs\nlp\Lib\site-packages\jieba
二将搜狗词库.scel文件为.txt文件
# -*- coding: utf-8 -*-
import struct
import os# 主要两部分
# 1.全局拼音表貌似是所有的拼音组合字典序
# 格式为(index,len,pinyin)的列表
# index: 两个字节的整数 代表这个拼音的索引
# len: 两个字节的整数 拼音的字节长度
# pinyin: 当前的拼音每个字符两个字节总长len
#
# 2.汉语词组表
# 格式为(same,py_table_len,py_table,{word_len,word,ext_len,ext})的一个列表
# same: 两个字节 整数 同音词数量
# py_table_len: 两个字节 整数
# py_table: 整数列表每个整数两个字节,每个整数代表一个拼音的索引
#
# word_len:两个字节 整数 代表中文词组字节数长度
# word: 中文词组,每个中文汉字两个字节总长度word_len
# ext_len: 两个字节 整数 代表扩展信息的长度好像都是10
# ext: 扩展信息 前两个字节是一个整数(不知道是不是词频) 后八个字节全是0
#
# {word_len,word,ext_len,ext} 一共重复same次 同音词 相同拼音表# 拼音表偏移
startPy 0x1540;# 汉语词组表偏移
startChinese 0x2628;# 全局拼音表
GPy_Table {}# 解析结果
# 元组(词频,拼音,中文词组)的列表# 原始字节码转为字符串
def byte2str(data):pos 0str while pos len(data):c chr(struct.unpack(H, bytes([data[pos], data[pos 1]]))[0])if c ! chr(0):str cpos 2return str# 获取拼音表
def getPyTable(data):data data[4:]pos 0while pos len(data):index struct.unpack(H, bytes([data[pos], data[pos 1]]))[0]pos 2lenPy struct.unpack(H, bytes([data[pos], data[pos 1]]))[0]pos 2py byte2str(data[pos:pos lenPy])GPy_Table[index] pypos lenPy# 获取一个词组的拼音
def getWordPy(data):pos 0ret while pos len(data):index struct.unpack(H, bytes([data[pos], data[pos 1]]))[0]ret GPy_Table[index]pos 2return ret# 读取中文表
def getChinese(data):GTable []pos 0while pos len(data):# 同音词数量same struct.unpack(H, bytes([data[pos], data[pos 1]]))[0]# 拼音索引表长度pos 2py_table_len struct.unpack(H, bytes([data[pos], data[pos 1]]))[0]# 拼音索引表pos 2py getWordPy(data[pos: pos py_table_len])# 中文词组pos py_table_lenfor i in range(same):# 中文词组长度c_len struct.unpack(H, bytes([data[pos], data[pos 1]]))[0]# 中文词组pos 2word byte2str(data[pos: pos c_len])# 扩展数据长度pos c_lenext_len struct.unpack(H, bytes([data[pos], data[pos 1]]))[0]# 词频pos 2count struct.unpack(H, bytes([data[pos], data[pos 1]]))[0]# 保存GTable.append((count, py, word))# 到下个词的偏移位置pos ext_lenreturn GTabledef scel2txt(file_name):print(- * 60)with open(file_name, rb) as f:data f.read()print(词库名, byte2str(data[0x130:0x338])) # .encode(GB18030)print(词库类型, byte2str(data[0x338:0x540]))print(描述信息, byte2str(data[0x540:0xd40]))print(词库示例, byte2str(data[0xd40:startPy]))getPyTable(data[startPy:startChinese])getChinese(data[startChinese:])return getChinese(data[startChinese:])#scel2txt(.ChengDuInformationWord.scel)if __name__ __main__:# scel所在文件夹路径in_path rD:\InternetOffice\code# 输出词典所在文件夹路径out_path rD:\InternetOffice\code#fname ChengDuInformationWord.scelfin [fname for fname in os.listdir(in_path) if fname[-5:] .scel]for f in fin:try:for word in scel2txt(os.path.join(in_path, f)):file_path (os.path.join(out_path, str(f).split(.)[0] .txt))# 保存结果with open(file_path, a, encodingutf-8)as file:file.write(word[2] \n)os.remove(os.path.join(in_path, f))except Exception as e:print(e)pass
