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

lgmcw

* Y; q' e9 T" g, I% ^
  m, K7 G8 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。
以后我会做一款带GUI的，针对小白玩家。
! a8 h4 S, {% A* ~2 ?& J! }
% B$ r% }4 W8 D' R( [/ r0 Q* W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。
' \  y& o8 B8 L4 S9 hgenMDX_ox4.py is the entrance file you want to use in CMD/terminal. I've also enlcosed a OALD4_azure.txt for testing purpose.



) g, |9 w4 P9 b, e/ t# ~. bWindows下运行举例（需安装python）：
. I) Z# \3 T( _6 e$ S/ L
; h0 U9 r* I4 A, _( L
相较于原版我主要改了两个地方：
* C5 O4 S, c  }3 K2 v& h1. 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。
+ K  E6 u& }! a/ t$ d( }' R: g
  b9 Y, q2 R2 J; n& b, `

Python实现的txt转MDX代码：

" m! e, f" F4 ?) T* \) R3 ^

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。
7 o% t8 n4 {# J
8 C( Z! p" E; x. ?( n  _


! c+ i+ L! j$ ^. C- c

muyuzhth0

python3.8.9调试成功！
. f& J/ o! o( l9 L2 x1 X* _; f
做了如下修改：
+ A$ b1 N, k" x$ Y
" X+ c+ S8 k0 t4 t1.genMDX_ox4.py
; j# j2 n) O9 [* Q( X
3 X6 a8 g0 }; s* M7 {* T9 r（1）注释掉前三行# -*- coding: GBK -*-  # coding: utf-8  # encoding=utf8，解决SyntaxError: encoding problem: GBK
0 D6 v6 ]1 R/ B7 X% o
（2）注释掉import sys  reload(sys)  sys.setdefaultencoding('utf-8')，python3不需要了
2 W% |! E. R$ f) A2 n9 P0 j
4 o9 ?- j1 q( T. C. N（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:
& v2 I5 q; T+ I' L; S* D# X5 M
（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
0 d: B/ f; J) p4 r2 @! ^# A" e
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
. @* @0 d+ ^7 Jimp.reload(sys)改为：
0 d1 O7 U- z5 P! P; Himport importlib
importlib.reload(sys)
( H2 ^$ `1 _: d; K" |然后删掉：sys.setdefaultencoding("utf-8")
$ e4 l6 L0 ], `) N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

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：
, r2 Y8 N& O2 ~) z+ w# rTraceback (most recent call last):
  File "genMDX_ox4.py", line 14, in <module>
    reload(sys)
: M- Y' x- |' U+ bNameError: name 'reload' is not defined
9 W4 j) `4 K' `8 ?9 Q1 i
$ z, K7 W" p. C! D# m3 C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:
分享

【支持超大文件】Python打包MDX词典工具

  F* h2 a  X* m7 Z- s% D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

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
: G- ^. ^3 ?8 r  h) m  q& J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 ...

" X* H7 {" G2 y8 k这个其实改一下入口文件就能实现，应该不难的。

lgmcw

oversky 发表于 2019-10-9 09:30
3 L! D  m4 R+ y% |' ~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。

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
, Y3 Z' K  q: y6 O感謝 lgmcw 兄:
& _1 g8 y, E( L8 _& l分享  
7 N( J9 E+ G1 U+ ^  r3 C1 T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

$ I; Y6 t; g6 T9 A$ m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
' `4 j) o9 M7 w0 P: Y+ j6 u* a兄弟可测试通过，此工具可还好用？

; C* `1 ]# n7 W) _5 J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

- z. C* w0 b( r  P3 q1 q
8 ~. m6 g- _& 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。
% h: s* c8 J9 P/ ?5 T1 l
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！
& f! p+ v" n: w
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。

+ J* @3 F  k2 A7 \* X0 C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？
+ n! _* b1 f- _$ q; y3 ~  u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。