#python# 成语接龙（一）

---

本来想写一个机器人成语接龙的，太复杂了，弄一个可以找到所有的可以“一招制敌”的成语，就是没办法再被接龙的成语。

第一步是找一个带拼音的成语字库，网上找了半天，没找到合适的，发现搜狗输入法自带成语词库，就拿来解析了。

搜狗的字库是scel格式，内容包括拼音表和字库两部分，它们的结构如下所示：

解析代码如下 [parse_scel.py]：

• 为了避开烦人的字符编码问题，用的是python 3

• 增加了print，方便跟踪结果

# encoding=utf8
# python 3

import sysimport struct

PIN_YIN_TAG_LEN = 4

def get_hanzi_offset(buff):
    mask = buff[4]
    return 0x2628 if mask == 0x44 else 0x26c4 if mask == 0x45 else None

def get_pinyin_offset(buff):
    offset = 0x1540
    return offset if buff[offset:offset + PIN_YIN_TAG_LEN] == b"\x9d\x01\x00\x00" else None

def get_piyin_table(buff, py_offset, hz_offset):
    py_table = {}
    data = buff[py_offset + PIN_YIN_TAG_LEN:hz_offset]

    pos = 0
    while pos < len(data):        
        # 序号
        index = struct.unpack('H', data[pos:pos + 2])[0]
        pos += 2
        # 拼音长度
        l = struct.unpack('H', data[pos:pos + 2])[0]
        pos += 2
        # 拼音
        py = data[pos:pos + l]
        pos += l
        py_table[index] = py.decode('UTF-16LE')
        print(index, l, py.decode('UTF-16LE'))    
    return py_table
    
def get_hanzi_and_pinyin(buff, hz_offset, py_table):

    def _get_py(data, py_table):
        length = len(data)
        pos = 0
        py = u''
        while pos < length:
            index = struct.unpack('H', data[pos:pos + 2])[0]
            py += u'.' + py_table[index]
            pos += 2
        return py[1:]

    hz_all = {}
    pos = 0
    hz_table = buff[hz_offset:]    
    while pos < len(hz_table):        
        # 同音词数量
        same = struct.unpack('H', hz_table[pos:pos + 2])[0]
        pos += 2
        # 拼音索引表长度
        py_table_len = struct.unpack('H', hz_table[pos:pos + 2])[0]
        pos += 2
        # 拼音索引表
        data = hz_table[pos:pos + py_table_len]
        py = _get_py(data, py_table)
        pos += py_table_len

        print(same, py_table_len, py)        
        # 中文词组
        for i in range(same):            
            # 中文词组长度
            hz_len = struct.unpack('H', hz_table[pos:pos + 2])[0]
            pos += 2
            # 中文词组
            word = hz_table[pos:pos + hz_len]
            pos += hz_len            
            # 扩展数据长度
            ext_len = struct.unpack('H', hz_table[pos:pos + 2])[0]
            pos += 2
            # 序号
            count = struct.unpack('H', hz_table[pos:pos + 2])[0]
            pos += ext_len
            hz_all[count] = (word.decode('UTF-16LE'), py)
            print(hz_len, word.decode('UTF-16LE'), ext_len, count)    
    return hz_all
    
def scel_to_txt(scel, out):
    with open(scel, "rb") as src, open(out, "w") as dst:
        buff = src.read()
        hz_offset = get_hanzi_offset(buff)
        py_offset = get_pinyin_offset(buff)
        if not hz_offset or not py_offset:
            print("scel format changed, not support now \
                [hz_offset = {} py_offset = {}]!".format(hz_offset, py_offset))
            sys.exit(1)

        py_table = get_piyin_table(buff, py_offset, hz_offset)
        hz_py_all = get_hanzi_and_pinyin(buff, hz_offset, py_table)
        for x in hz_py_all:
            dst.write(hz_py_all[x][0] + ' ' + hz_py_all[x][1] + '\n')    
    pass

if __name__ == "__main__":
    scel_to_txt(u"成语大全.scel", u"成语大全.txt")    
    pass

生成的结果截图如下：

（↓ - 有些内容只在小龙家发，可关注同名“趣Python”号，谢谢 - ↓）