最近在解析百度詞庫https://shurufa.baidu.com/dict。說一下解決思路吧。

把檔案下載下來會發現是位元組流。而計算機儲存資料有兩種方式，大端位元組序，小端位元組序。

計算機的內部處理都是小端位元組序。人類還是習慣讀寫大端位元組序。所以，除了計算機的內部處理，其他的場合幾乎都是大端位元組序，比如網路傳輸和檔案儲存。

計算機處理位元組序的時候，不知道什麼是高位位元組，什麼是低位位元組。它只知道按順序讀取位元組，先讀第一個位元組，再讀第二個位元組。

如果是大端位元組序，先讀到的就是高位位元組，後讀到的就是低位位元組。小端位元組序正好相反。

而百度詞庫在儲存的時候使用了大端儲存，但如果想要解析出漢字，需要先將大端儲存轉為小端儲存

def be2le(self):
        of = open(self.originfile,'rb')
        lef = open(self.lefile, 'wb')
        contents = of.read()
        contents_size = contents.__len__()
        mo_size = (contents_size % 2)
        #保證是偶數
        if mo_size > 0:
            contents_size += (2-mo_size)
            contents += contents + b'0000'
        #大小端交換
        for i in range(0, contents_size, 2):
            self.buf[1] = contents[i]
            self.buf[0] = contents[i+1]
            le_bytes = struct.pack('2B', self.buf[0], self.buf[1])
            lef.write(le_bytes)
        print('寫入成功轉為小端的位元組流')
        of.close()
        lef.close()
 

之後再讀取位元組流，每4位解析成一個漢字字母或者字元。注意百度詞庫解析是從0x350這個位置開始。再根據規律拼接。經實測搜狗詞庫的解析上面程式碼同樣適用起始位置改為0x2628.

詳情在我的git上https://github.com/zhao-dapeng/Lexicon-analysis/blob/master/baidudict.py好用的話記得點個start