JAVA版StarDict星际译王简单实现

首页 > 代码库 > JAVA版StarDict星际译王简单实现

JAVA版StarDict星际译王简单实现

2024-07-23 07:36:41 225人阅读

由胡正开发的星际译王是Linux平台上很强大的一个开源的翻译软件（也有Windows版本的）支持多种词库、多种语言版本。尤其词库设计比较合理。之前看到一篇博文《星际译王词库应用-自制英汉词典》中用简短的程序就实现了词典的基本功能，不过那个是Linux 下的C/C++版本的，于是决定参考移植一个JAVA版本。

import java.io.ByteArrayOutputStream;

import java.io.IOException;

import java.io.InputStream;

import java.io.*;

/**

* {@docRoot}

* Java版词典测试版，可以在控制台下输入要查询的单词，回车后会给出单词在词典中的释义

* 词典采用星际译王的词典，本程序主要针对英汉词典

* @author menglongbor

* @updateDate 2012-12-31

* @version v1.0.0

* 相关参考链接：

* http://blog.chinaunix.net/uid-20454005-id-1675913.html

* http://hi.baidu.com/sean_zhu_xiang/item/1581342f88be430e73863eee

* http://blog.csdn.net/ranxiedao/article/details/7787342

* http://www.stardict.cn/

* http://www.huzheng.org/

* http://code.google.com/p/stardict-3/downloads/list

public class testdict

{

final static intMAX_WORD= 256;// 最长输入单词字符数

final static intMAX_KEYS= 27;// 26个字母+"-"开头的后缀

final static intSIZEINT= 4;

final static StringKEY[]= {// 26个字母索引+"-"开头的后缀，不区分大小写

"A", "b", "c", "d", "e", "f",

"g", "h", "i", "j", "k", "l", "m", "n", "o", "p", "q", "r", "s",

"t", "u", "v", "w", "x", "y", "z", "-" };

public static InputStreamisidx= null;// 读取idx文件时所要的流

public static InputStreamisdict= null;// 读取dict文件时所要的流

public static longSTREAM_LOCAL= 0;// 记录单词索引在文件流中的位置

public static StringidxfileString= "oxford-gb.idx";// idx文件路径

public static StringdictfileString= "oxford-gb.dict";// dict文件路径

/**

* 从idx文件中获取当前目标单词

* @param word_buf 保存的是c/c++字符串数组转换为JAVA字符串

* @param data_poffset 用来保存单词的data偏移位置信息

* @param data_plength 用来保存单词的data长度信息

* @param len

* @return

public static boolean get_word(String[] word_buf, int[] data_poffset,

int[] data_plength, int[] len)

{

// int len = 0;

boolean flag = true;

len[0] = 0;

int index = -1;

byte wd[] = new byte[MAX_WORD];

int value = http://www.mamicode.com/0;

try

{

// 读取单词，对每个字母开头的单词都进行搜索，最多考虑256个字符的单词，

// 读到单词结束符\0时赋值表达式的值就不满足while条件而退出

while (true)

{

index = isidx.read();

STREAM_LOCAL++;// 每读取一次，位置标识加一以记录下单词在文件流中的起始位置

if (index == -1)

{

// isidx.reset();

flag = false;

break;

}

if ((index != 0) && (len[0] < MAX_WORD))

{

wd[len[0]] = (byte) index;// 将int转换为byte

len[0]++;

} else

{

break;

}

// 转换为JAVA字符串

// 此处不用再需要像c/c++那样去掉了最后那个结束符了

byte wd2[] = new byte[len[0]];

for (int i = 0; i < len[0]; i++)

{

wd2[i] = wd[i];

}

word_buf[0] = new String(wd2);

// System.out.println("get_word:"+word_buf[0]+" len:"+len[0]);

// wd = null;// 释放内存

// wd2 = null;

// 读取偏移量值

for (int i = 0; i < SIZEINT; i++)

{

// 将4个byte转换为int

int shift = (4 - 1 - i) * 8;

index = isidx.read();

STREAM_LOCAL++;// 每读取一次，位置标识加一以记录下单词在文件流中的起始位置

if (index == -1)

{

// isidx.reset();

flag = false;

return flag;

}

value += (index & 0x00FF) << shift;

}

data_poffset[0] = value;

// 读取区块大小值

value = http://www.mamicode.com/0;

for (int i = 0; i < SIZEINT; i++)

{

// 将4个byte转换为int

int shift = (4 - 1 - i) * 8;

index = isidx.read();

STREAM_LOCAL++;// 每读取一次，位置标识加一以记录下单词在文件流中的起始位置

if (index == -1)

{

// isidx.reset();

flag = false;

return flag;

}

value += (index & 0x00FF) << shift;

}

data_plength[0] = value;

}

catch (Exception e)

{

System.out.println("idx file read error!");

}

// System.out.println("Now local is:"+STREAM_LOCAL);

// 得到单词字符长度

return flag;

}

/**

* 通过偏移位置offset和长度length 来从dict文件中获取data内容UTF-8编码的字符

* @param offset 要读取的内容的起始偏移，为字节数

* @param length 要读取的内容的数据块大小，为字节数

* @return 字节数组的data int

public static byte[] get_data(int[] offset, int[] length)

{

long oft = offset[0];

long len = length[0];

long skip;

byte data_buf[] = new byte[length[0]];

System.out.println("This word‘s" + "offset:" + offset[0] + "len:"

+ length[0]);

try

{

isdict.reset();

long valuedata = http://www.mamicode.com/isdict.available();

if (valuedata < oft + len)

{

System.out.println("No so much value data! " + valuedata);

}

// skip=isdict.skip(oft);

skip = skipBytesFromStream(isdict, oft);

if (skip != oft)

{

System.out.println("Skip" + skip + " dict file error!");

}

if (isdict.read(data_buf) == -1)

{

System.out.println("Arrive at the end of file!");

}

// // Unicode

// StringBuffer sb = new StringBuffer();

// int size =isdict.read(data_buf);

// for (int j = 0; j < size;)

// {

// int l = data_buf[j++];

// int h = data_buf[j++];

// char c = (char) ((l & 0xff) | ((h << 8) & 0xff00));

// sb.append(c);

// }

// // return sb.toString();

}

catch (Exception e)

{

data_buf = null;

System.out.println("dict file read error!");

e.printStackTrace();

}

if (data_buf == null)

{

return null;

}

return data_buf;

}

/**

* utf8解码参考自http://hi.baidu.com/leo10086/item/d6853813373b19001994ec24 用法:

* 假如 newContent 为UTF8编码的字符串 byte[] b = newContent.getBytes(); newContent =

* URLEncoder.UTF8Decode( b, 0, b.length );

* @param in 要进行解码的UTF8编码的字节数组

* @param offset

* @param length

* @return

public static String UTF8Decode(byte in[], int offset, int length)

{

StringBuffer buff = new StringBuffer();

int max = offset + length;

for (int i = offset; i < max; i++)

{

char c = 0;

if ((in[i] & 0x80) == 0)

{

c = (char) in[i];

} else if ((in[i] & 0xe0) == 0xc0) // 11100000

{

c |= ((in[i] & 0x1f) << 6); // 00011111

i++;

c |= ((in[i] & 0x3f) << 0); // 00111111

} else if ((in[i] & 0xf0) == 0xe0) // 11110000

{

c |= ((in[i] & 0x0f) << 12); // 00001111

i++;

c |= ((in[i] & 0x3f) << 6); // 00111111

i++;

c |= ((in[i] & 0x3f) << 0); // 00111111

} else if ((in[i] & 0xf8) == 0xf0) // 11111000

{

c |= ((in[i] & 0x07) << 18); // 00000111 (move 18, not 16?)

i++;

c |= ((in[i] & 0x3f) << 12); // 00111111

i++;

c |= ((in[i] & 0x3f) << 6); // 00111111

i++;

c |= ((in[i] & 0x3f) << 0); // 00111111

} else

{

c = ‘ ‘;

}

buff.append(c);

}

return buff.toString();

}

public static byte[] UTF8Encode(String str)

{

ByteArrayOutputStream bos = new ByteArrayOutputStream();

try

{

int strlen = str.length();

for (int i = 0; i < strlen; i++)

{

char t = str.charAt(i);

int c = 0;

c |= (t & 0xffff);

if (c >= 0 && c < 0x80)

{

bos.write((byte) (c & 0xff));

} else if (c > 0x7f && c < 0x800)

{

bos.write((byte) (((c >>> 6) & 0x1f) | 0xc0));

bos.write((byte) (((c >>> 0) & 0x3f) | 0x80));

} else if (c > 0x7ff && c < 0x10000)

{

bos.write((byte) (((c >>> 12) & 0x0f) | 0xe0)); // <--

// correction

// (mb)

bos.write((byte) (((c >>> 6) & 0x3f) | 0x80));

bos.write((byte) (((c >>> 0) & 0x3f) | 0x80));

} else if (c > 0x00ffff && c < 0xfffff)

{

bos.write((byte) (((c >>> 18) & 0x07) | 0xf0));

bos.write((byte) (((c >>> 12) & 0x3f) | 0x80));

bos.write((byte) (((c >>> 6) & 0x3f) | 0x80));

bos.write((byte) (((c >>> 0) & 0x3f) | 0x80));

}

bos.flush();

}

catch (Exception e)

{

}

return bos.toByteArray();

}

/**

* 将UTF-8字节数据转化为Unicode字符串

* @param utf_data

* byte[] - UTF-8编码字节数组

* @param len

* int - 字节数组长度

* @return String - 变换后的Unicode编码字符串

public static String UTF2Uni(byte[] utf_data, int len)

{

StringBuffer unis = new StringBuffer();

char unic = 0;

int ptr = 0;

int cntBits = 0;

for (; ptr < len;)

{

cntBits = getCntBits(utf_data[ptr]);

if (cntBits == -1)

{

++ptr;

continue;

} else if (cntBits == 0)

{

unic = UTFC2UniC(utf_data, ptr, cntBits);

++ptr;

} else

{

unic = UTFC2UniC(utf_data, ptr, cntBits);

ptr += cntBits;

}

unis.append(unic);

}

return unis.toString();

}

/**

* 将指定的UTF-8字节组合成一个Unicode编码字符

* @param utf byte[] - UTF-8字节数组

* @param sptr int - 编码字节起始位置

* @param cntBits int - 编码字节数

* @return char - 变换后的Unicode字符

public static char UTFC2UniC(byte[] utf, int sptr, int cntBits)

{

* Unicode <-> UTF-8 U-00000000 - U-0000007F: 0xxxxxxx U-00000080 -

* U-000007FF: 110xxxxx 10xxxxxx U-00000800 - U-0000FFFF: 1110xxxx

* 10xxxxxx 10xxxxxx U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx

* 10xxxxxx U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx

* 10xxxxxx U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx

* 10xxxxxx 10xxxxxx

int uniC = 0; // represent the unicode char

byte firstByte = utf[sptr];

int ptr = 0; // pointer 0 ~ 15

// resolve single byte UTF-8 encoding char

if (cntBits == 0)

return (char) firstByte;

// resolve the first byte

firstByte &= (1 << (7 - cntBits)) - 1;

// resolve multiple bytes UTF-8 encoding char(except the first byte)

for (int i = sptr + cntBits - 1; i > sptr; --i)

{

byte utfb = utf[i];

uniC |= (utfb & 0x3f) << ptr;

ptr += 6;

}

uniC |= firstByte << ptr;

return (char) uniC;

}

/**

* 根据给定字节计算UTF-8编码的一个字符所占字节数，UTF-8规则定义，字节标记只能为0或2~6

* @param b

* @return

private static int getCntBits(byte b)

{

int cnt = 0;

if (b == 0)

return -1;

for (int i = 7; i >= 0; --i)

{

if (((b >> i) & 0x1) == 1)

++cnt;

else

break;

}

return (cnt > 6 || cnt == 1) ? -1 : cnt;

}

/**

* 显示data内容

* @param data_buf UTF-8的单词释义数组

* @param data_length UTF-8的单词释义数组长度

public static void display_data(byte[] data_buf, int data_length[])

{

// 将UTF-8byte字节数组转为当前环境字符并显示

// String tempString = UTF8Decode(data_buf, 0, data_length[0]);

String tempString = UTF2Uni(data_buf, data_length[0]);

// String tempString = new String(data_buf);

data_buf = null;

System.out.println(tempString);

}

/**

* 从idx文件中搜索由word指定的单词，并保存相应的偏移和长度信息

* @param word

* @param data_poffset

* @param data_plength

* @return 是否搜索成功

public static boolean search_word(String word, int[] data_poffset,

int[] data_plength)

{

String wd[] = new String[1];

boolean temp = false;

int len[] = new int[1];

// 从idx文件中获取当前目标单词

// for (get_word(wd, data_poffset, data_plength); end; get_word(wd,

// data_poffset, data_plength))

// {

while (get_word(wd, data_poffset, data_plength, len))

{

// System.out.println("compared_word:"+wd[0]);

// if (wd[0].compareToIgnoreCase(word) == 0) //

// 比较字符串s1和s2，但不区分字母的大小写

if (strsEqualsIgnoreCase(wd[0], word) == 0)

{

System.out.println("compared_word:" + word + " " + wd[0]);

temp = true;

break;

}

return temp;

}

/**

* 从标准输入获取待查询的单词，控制台下为GBK字符，字典索引中的英文单词字母也是如此

* @param max_len

* @param count

* @return

public static String get_input(int max_len, int[] count)

{

byte input_buf[] = new byte[max_len];

count[0] = 0;

String tempString[] = new String[1];

try

{

count[0] = System.in.read(input_buf) - 2;// 返回实际读取到的字符数，减去2个控制字符

byte temp_buf[] = new byte[count[0]];

for (int i = 0; i < count[0]; i++)

{

temp_buf[i] = input_buf[i];

}

tempString[0] = new String(temp_buf);

}

catch (Exception e)

{

System.out.println("Input error!");

}

System.out.println("Your input is:" + tempString[0]);

return tempString[0];

}

/**

* 从标准输入获取待查询的单词，控制台下为GBK字符，字典索引中的英文单词字母也是如此

* @param input_buf

* @param count

* @return

public static byte[] get_input(byte[] input_buf, int[] count)

{

try

{

count[0] = System.in.read(input_buf) - 2;// 返回实际读取到的字符数，减去2个控制字符

}

catch (Exception e)

{

input_buf = null;

System.out.println("Input error!");

}

return input_buf;

}

/**

* 缓存KEYS在idx中的偏移信息，以便加快search_word的搜索速度

* @param idx_cache 保存每个单字母单词对应的起始位置

* @return

public static void cache_idx(long[] idx_cache)

{

int i;

long[] p = idx_cache;

int unused1[] = new int[1];

int unused2[] = new int[1];

try

{

// 将文件内部的位置指针重新指向一个流（数据流/文件）的开头返回FILE指针当前位置，

// 然后重新遍历整个文件搜寻下一个字母开头的单词

isidx.reset();

STREAM_LOCAL = 0;

for (i = 0; i < MAX_KEYS; i++)

{

// System.out.println("Start search_word：" + KEY[i]);

if (search_word(KEY[i], unused1, unused2))// 从idx文件中搜索由word指定的单词，并保存相应的偏移和长度信息

{

p[i] = STREAM_LOCAL; // 返回当前文件位置

// String tempString = Long.toString(STREAM_LOCAL);

// System.out.println(KEY[i] + "‘s local is:" + tempString);

System.out.println(KEY[i] + "‘s local is:" + STREAM_LOCAL

+ " offset:" + unused1[0] + "length:" + unused2[0]);

} else

p[i] = 0;

}

// isidx.reset();

}

catch (Exception e)

{

// TODO: handle exception

}

/**

* 定位由word指定的单词在idx文件中的大概偏移位置

* @param word

* @param idx_cache

* @return

public static long locate_idx(String word, long[] idx_cache)

{

int i = 0;

int pre = 0;

String tempString = word.toLowerCase();

while (i < MAX_KEYS && KEY[i].charAt(0) < tempString.charAt(0))

{

pre = i;

++i;

}

if (tempString.charAt(0) == ‘-‘)

{

pre = 0;

}

System.out.println("Now word‘s locate is:" + idx_cache[pre]);

return idx_cache[pre];

}

/**

* 主要查询函数

public static void consult()

{

byte data[] = null;// 释义数据，UTF-8数据

long idx[] = new long[MAX_KEYS];// 26个字母孤立单词+"-"开头的后缀对应的索引缓冲

int offset[] = new int[1];

int length[] = new int[1];

System.out.println("Start cache_idx....！");

try

{

System.out.println("Open files....!");

// 读取字典索引文件

isidx = new BufferedInputStream(new FileInputStream(

idxfileString));

isidx.mark(isidx.available() + 1);

if (!isidx.markSupported())

{

System.out.println("This stream do not support mark....!");

}

catch (Exception e)

{

System.out.println("Open files error!");

e.printStackTrace();

}

cache_idx(idx);// 缓存KEYS在idx中的偏移信息，以便加快search_word的搜索速度

try

{

isdict = new BufferedInputStream(new FileInputStream(

dictfileString));

isdict.mark(isdict.available() + 1);

if (!isdict.markSupported())

{

System.out.println("This stream do not support mark....!");

}

catch (Exception e)

{

System.out.println("Open files error!");

e.printStackTrace();

}

while (true)

{

System.out.println("INPUT A WORD OR PHRASE: ");

int count[] = new int[1];

String word = get_input(MAX_WORD, count);

long skips1, skips2;

if (count[0] > 0)// 从控制台得到输入单词字符

{

try

{

// 从文件开头跳到单词大致索引所在位置

// isidx.mark(0);

isidx.reset();

skips1 = locate_idx(word, idx);

// skips2 = isidx.skip(skips1);

skips2 = skipBytesFromStream(isidx, skips1);

System.out

.println("skips1:" + skips1 + " skips2:" + skips2);

}

catch (Exception e)

{

System.out.println("locate_idx run error");

e.printStackTrace();

}

if (search_word(word, offset, length))

{

data = http://www.mamicode.com/get_data(offset, length);

display_data(data, length);

data = http://www.mamicode.com/null;

} else

System.out.println("SORRY " + word + " CANNOT BE FOUND!\n");

System.out

.println("\n----------------------------------------\n\n");

} else

break;

}

/**

* 不区分大小写比较两个字符串

* @param s1

* @param s2

* @return

public static int strsEqualsIgnoreCase(String s1, String s2)

{

int n1 = s1.length(), n2 = s2.length();

for (int i1 = 0, i2 = 0; i1 < n1 && i2 < n2; i1++, i2++)

{

char c1 = s1.charAt(i1);

char c2 = s2.charAt(i2);

if (c1 != c2)

{

// 源字符串全部都转为大写字符串

c1 = Character.toUpperCase(c1);

c2 = Character.toUpperCase(c2);

if (c1 != c2)

{

// 源字符串全部都转为小写字符串

c1 = Character.toLowerCase(c1);

c2 = Character.toLowerCase(c2);

if (c1 != c2)

{

return c1 - c2;

}

return n1 - n2;// 如果其中一个或者两个String都比较完了还没有同样的char的话，那就return两个String的长度差距

}

/**

* 重写了Inpustream 中的skip(long n) 方法，将数据流中起始的n 个字节跳过

* 参考：http://blog.csdn.net/ranxiedao/article/details/7787342

* @param inputStream

* @param n

* @return

private static long skipBytesFromStream(InputStream inputStream, long n)

{

long remaining = n; // SKIP_BUFFER_SIZE is used to determine the size of

// skipBuffer

int SKIP_BUFFER_SIZE = 2048; // skipBuffer is initialized in

// skip(long), if needed.

byte[] skipBuffer = null;

int nr = 0;

if (skipBuffer == null)

{

skipBuffer = new byte[SKIP_BUFFER_SIZE];

}

byte[] localSkipBuffer = skipBuffer;

if (n <= 0)

{

return 0;

}

while (remaining > 0)

{

try

{

nr = inputStream.read(localSkipBuffer, 0, (int) Math.min(

SKIP_BUFFER_SIZE, remaining));

}

catch (IOException e)

{

e.printStackTrace();

}

if (nr < 0)

{

break;

}

remaining -= nr;

}

return n - remaining;

}

/**

* 主函数

* @param args

public static void main(String args[])

{

consult();

try

{

isidx.close();

isdict.close();

}

catch (Exception e)

{

System.out.println("Close files error!");

e.printStackTrace();

}

如果要在windows平台下编译http://blog.chinaunix.net/uid-20454005-id-1675913.html文章中的程序代码最好保存为cpp文件以C++项目编译执行，而且strcasecmp函数应该换为stricmp函数，并且上面作者原来的程序是在linux平台下的，字符编码本身就是UTF8的不需要进行编码转换，但在windows平台下中文为gb232编码，就需要进行编码的转换，下面为需要添加修改上的字符编码转换后的程序。

//UTF-8到GB2312的转换

char* U2G(const char* utf8)

{

int len = MultiByteToWideChar(CP_UTF8, 0, utf8, -1, NULL, 0);

wchar_t* wstr = new wchar_t[len+1];

memset(wstr, 0, len+1);

MultiByteToWideChar(CP_UTF8, 0, utf8, -1, wstr, len);

len = WideCharToMultiByte(CP_ACP, 0, wstr, -1, NULL, 0, NULL, NULL);

char* str = new char[len+1];

memset(str, 0, len+1);

WideCharToMultiByte(CP_ACP, 0, wstr, -1, str, len, NULL, NULL);

if(wstr) delete[] wstr;

return str;

}

//GB2312到UTF-8的转换

char* G2U(const char* gb2312)

{

int len = MultiByteToWideChar(CP_ACP, 0, gb2312, -1, NULL, 0);

wchar_t* wstr = new wchar_t[len+1];

memset(wstr, 0, len+1);

MultiByteToWideChar(CP_ACP, 0, gb2312, -1, wstr, len);

len = WideCharToMultiByte(CP_UTF8, 0, wstr, -1, NULL, 0, NULL, NULL);

char* str = new char[len+1];

memset(str, 0, len+1);

WideCharToMultiByte(CP_UTF8, 0, wstr, -1, str, len, NULL, NULL);

if(wstr) delete[] wstr;

return str;

}

* 显示data内容

void display_data(char *data_buf, unsigned int data_length)

{

fwrite(data_buf,data_length,1,stdout);

char *data=http://www.mamicode.com/(char *)malloc(data_length);

memcpy(data,data_buf,data_length);

char *p=U2G(data_buf);

printf("%s\n",p);

free(data);

delete p;

}

以星际译王所支持的牛津英汉词典oxford-gb作为测试，词典格式为UTF8编码的单词字符串，然后是四个字节的int型数据表示该单词在dict释义文件中的起始偏移量，再后四个字节的int型数据表示dict文件中该单词释义总共的长度，如下图所示：

结果显示能够正确得到单词的释义，只是音标未能正确解码，如下图所示：

JAVA版StarDict星际译王简单实现

声明：以上内容来自用户投稿及互联网公开渠道收集整理发布，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任，若内容有误或涉及侵权可进行投诉：投诉/举报工作人员会在5个工作日内联系你，一经查实，本站将立刻删除涉嫌侵权内容。

联系
我们

首页 > 代码库 > JAVA版StarDict星际译王简单实现

JAVA版StarDict星际译王简单实现

看完仍有疑问？有类似问题直接问程序猿