生データと処理結果:
https://gitcode.net/as604049322/blog_data/-/tree/master/mdx
help.mdx 辞書をダウンロードした後、直接表示することはできませんが、readmdict ライブラリを使用して mdx ファイルの読み取りを完了できます。
インストールライブラリ:
pip install readmdict
Windows プラットフォームの場合は、python-lzo もインストールする必要があります。
pip install python-lzo
Python を使用した読み取りの例:
from readmdict import MDX
mdx_file = "help.mdx"
mdx = MDX(mdx_file, encoding='utf-8')
items = mdx.items()
for key, value in items:
word = key.decode().strip()
print(word, value.decode())
break
a <link type="text/css" rel="stylesheet" href="jsmind.css"><script type="text/javascript" src="jsmind.js"></script><p id="jsmind_describe"></p><p id="jsmind_container"></p><script>jsMind.show({},{"meta":{"name":"etymology","version":"0.1"},"format":"node_array","data":[{"id":"a","isroot":true,"topic":"a","describe":"英[ə; eɪ]美[ə; e]art. 一"}]});document.getElementById('jsmind_container').style.height=document.querySelector('jmnodes').style.height;</script>
ご覧のとおり、辞書の詳細データは JavaScript スクリプトの形式で存在し、通常の + json を使用して解析できます。
import re
json.loads(re.findall('"data":(\[.+\])}\);', value.decode())[0])
[{'id': 'a',
'isroot': True,
'topic': 'a',
'describe': '英[ə; eɪ]美[ə; e]art. 一'}]
もちろん、これは最も単純なケースにすぎません。ツリー関係を持つ単語の例を見てみましょう。
from readmdict import MDX
import re
mdx_file = "help.mdx"
mdx = MDX(mdx_file, encoding='utf-8')
items = mdx.items()
for key, value in items:
word = key.decode().strip()
topic = json.loads(re.findall('"data":(\[.+\])}\);', value.decode())[0])
if word == "abalienate":
print(word, topic)
break
abalienate [{'id': 'abalienate', 'isroot': True, 'topic': 'abalienate', 'describe': "英[æb'eiljəneit]美[æb'eiljəneit]【法】 让渡, 转移, 让出"}, {'id': 'ab-', 'parentid': 'abalienate', 'direction': 'left', 'topic': 'ab-', 'describe': '表示从，来自（from）；从...离开，离开（away from, sway, off）；不，非，表否定（not, opposite）。在字母v 前缩略成a-，在字母c, t 前扩展为abs-。来自拉丁介词ab。'}, {'id': 'alienate', 'parentid': 'abalienate', 'direction': 'left', 'topic': 'alienate', 'describe': "英['eɪlɪəneɪt]vt. 使疏远, 离间, 转让\n【第三人称单数：alienates；现在分词：alienating；过去式：alienated】"}, {'id': 'alien', 'parentid': 'alienate', 'direction': 'left', 'topic': 'alien', 'describe': "英['eɪlɪən]美[ˈeliən,ˈeljən]n. 外国人, 外侨\na. 外国的, 相异的\n【复数：aliens；现在分词：aliening；过去分词：aliened】"}, {'id': '-ate', 'parentid': 'alienate', 'direction': 'left', 'topic': '-ate', 'describe': [['表动词，“做，造成”。']]}, {'id': 'ali-', 'parentid': 'alien', 'direction': 'left', 'topic': 'ali-', 'describe': [['= other, to change, 表示“其他的，改变状态”，来源于拉丁语 alius "another, other, different."']]}, {'id': '-en', 'parentid': 'alien', 'direction': 'left', 'topic': '-en', 'describe': [['表名词，“人或物”，有时构成小词或昵称。']]}]
同時に、いくつかの単語の説明にネストされたリストがある可能性があることがわかります。
以下の目標は、各単語を次の形式に処理することです。
最終的な完全なコードは次のとおりです。
from readmdict import MDX
import re
import json
import csv
def get_describe(describe):
if isinstance(describe, (list, tuple)):
return ';'.join(get_describe(i) for i in describe)
else:
return describe
def deal_node(node, result=[], num=-1):
chars = "■□◆▲●◇△○★☆"
for k, (d, cs) in node.items():
if num >= 0:
d = d.replace('\n', '')
result.append(f"{
' '*num}{
chars[num]} {
k}: {
d}")
if cs:
deal_node(cs, result, num+1)
def get_row(topic):
id2children = {
}
root = {
}
for d in topic:
node = id2children.get(d.get("parentid"), root)
tmp = {
}
node[d['id']] = (get_describe(d['describe']), tmp)
id2children[d['id']] = tmp
name, (describe, _) = list(root.items())[0]
txts = []
deal_node(root, txts)
other = "\n".join(txts)
return name, describe, other
mdx_file = "help.mdx"
mdx = MDX(mdx_file, encoding='utf-8')
items = mdx.items()
data = []
for key, value in items:
word = key.decode().strip()
topic = json.loads(re.findall('"data":(\[.+\])}\);', value.decode())[0])
name, describe, other = get_row(topic)
data.append((name, describe, other))
with open(mdx_file.replace('.mdx', '-UTF8 .csv'), 'w', newline='', encoding='u8') as f:
cw = csv.writer(f, delimiter=',')
cw.writerow(["单词", "释义", "扩展"])
cw.writerows(data)