再谈提取输入法的汉字词库.pdfVIP

信息网络科学大众·PopularScience2018年8月

再谈提取输入法的汉字词库

江苏省司法警官高等职业学校佘明祥

摘要：中文汉字是传承汉文化的载体，文化自信也促进了汉字的研究。汉字词汇集中存在于输入法词库，也有很多人关注如何

提取输入法词库。可见，掌握足够多的汉字词汇具有一定的实际意义。本文主要介绍Wb.bin中的词库提取方法。

关键词：输入法；字库；词库

笔者曾于2013年发表了“简单提取输入法的汉字库”一启动系统后，从中复制出Winhex.exe文件。这是一款功能较齐

文。4年后的今天，原来的方法已不能满足现在的需求。现在全的绿色软件，是汉化版，使用起来非常方便。

Windows已找不到微软的码表文件（*.mb），时髦的搜狗等输2技术分析

入法的词库文件也更加复杂。文件名是Wb.bin（五笔）和Py.bin2.1宏观分析

（拼音）。从C:\ProgramFiles\SogouWBInput\3.0.0.1694文件中复

1工具准备制出Wb.bin，然后用Winhex打开它。默认状态下看不到任

目前，比较知名的、能够暴露并编辑文件的二进制工具软何汉字，如图1所示。考虑到编码问题，单击菜单选项字符



件当属于Winhex。这类软件在网上下载很少是免费的，如果无集Unicode，则能看汉字，如图2所示。可见，文件适合采用



法找到免费版，可以下载老毛桃PE系统，制作PE启动U盘，PEUnicode文件格式。

图1默认状态

图2设置Unicode后

作者简介：佘明祥（1967—），男，江苏南京人，副教授，学士；研

究方向：系统开发，数据库应用。

-13-

信息网络科学大众·PopularScience2018年8月

2.2微观分析2个0字节，即插入4个“0”。然后选中插入的4个“0”，编辑菜

五笔输入法编码“a”对应的汉字是“工”，而“工”的单填充选择块。填充“FFFE”将4个“0000”替换掉。保存文



Unicode编码是“E55D”。故有哪些信誉好的足球投注网站“E55D”，如图3所示。第一个件，关闭Winhex。将Wb.bin更名为Wb.txt。再以记事本打开它

有哪些信誉好的足球投注网站结果是11DC0A。更好的是“工”，后全是五笔输入法编码看看，文本形式的汉字词库已完美取出。

“a”开头的汉字或词组，如“式”、“工”、“恭恭敬敬”等。可4高级处理

见，已找到存储汉字词库的地方，11DCA是起始位置。进一步词库已处理好，但是仍有几个问题需要解决。（1）文本文

观察可以发现，每个汉字或词之间间隔8个字节，且是“0000”件不便处理，最好转入数据库。（2）重复词条太多，需删除。

开头，清除此8个字节即可分离词条。（3）非常用的汉字太多需删除。为了后续处理方便，可用记事

本打开此文件再另存为ANSI文本格式，借助WORD、EXCEL

预处理后导入数据库。