首先请下载这个导入工具，解压缩到某个目录中。从pinyin.sogou.com下载细胞词库（scel格式），保存在某个目录中。然后在terminal中执行下面的操作：
$ python import_sogou_celldict.py PATH_TO_CELL_DICT.scel
感谢中文社区其他开发者和项目reverse engineering的工作，
导入sogou输入法的细胞词库
100
Tag Archives: sogou
导入google和sogou输入法的用户词典
此次更新的导入工具，加入了对google和sogou输入法用户词典导入的支持。由于sunpinyin用户词典的一些限制，只能导入长度为2~6个字符的词条，并且最多可导入6万多个词条。我们后续会改进sunpinyin，以支持更大的词库和用户词典。该导入工具也可以在linux或solaris下运行，不过目前只支持ibus的前端。（因为我们不是很好判断，用户所使用的是xim还是ibus平台。）
注意：如果您使用的是实验版词表和语言模型，请下载open-gram项目的词表，解压并覆盖sunpinyin_importer目录下的dict.utf8文件，然后再执行下面的步骤。
首先请下载这个导入工具，解压缩到某个目录中。
导入google输入法用户词典
在windows上激活google拼音输入法，然后打开“属性设置”对话框，在“词典”标签页下，点击“导出”按钮，将用户词典导出到一个文件中（例如，名为google_userdict.dic），然后将这个文件拷贝到您的机器上（mac或linux），然后执行下面的操作，
$ python import_google_userdict.py google_userdict.dic
导入sogou输入法用户词典
在windows上激活sogou拼音输入法，然后打开“设置属性”对话框，然后在“词库”标签页下，在“词库操作选择”下拉框中选择“导出文本词库”，并点击“执行该操作”，将用户词典导出到一个文件中（例如，名为sogou_userdict.txt），然后将这个文件拷贝到您的机器上（mac或linux），然后执行下面的操作：
$ python import_sogou_userdict.py sogou_userdict.txt
基本上，只要输入法提供导出用户词典的功能、且导出格式为文本文件的话，为sunpinyin实现一个导入小工具是很简单的（可参考已有的importer）。大家可以自行编写一个，欢迎您为常用的输入法编写一个导入工具哦 
A simple stript to extract the contents from Sogou corpus
I wrote a simple python script to extract the contents from Sogou corpus.
#!/usr/bin/python
import codecs
import sys
usage = """
Usage:
sogou_corpus_conv.py corpus_in_xml > contents_in_txt
"""
try:
file = codecs.open(sys.argv[1], "r", "GB18030" )
except:
print usage
exit(1)
for line in file:
if line.startswith(""):
start, end = len(" "), -len("")-1
line = line[start:end].replace(u'\ue525', '')
print line.encode("UTF-8")
With the extracted contents, you could continue to build the SunPinyin SLM.
Sogou的词库及语料库
偶然的机会，看到sogou实验室发布的互联网词库以及互联网语料库。从“SogouLab 数据使用许可证”来看，似乎可以应用到opensource软件中，但要注明数据提供方（搜狐研发中心）。我们想SunPinyin的词库，将来可以更丰富一些，不过现在sogou提供下载的词库中没有读音标注。而且各位应该可以使用Sogou的语料库来训练SunPinyin中使用的统计语言模型。
另外让我感兴趣的是，在Sogou发布的互联网语料库中，包含了许多非sohu网站的网页内容。这样将他人网站的网页内容，收集下来并发布，是否存在版权的问题呢？是不是在语料库中标明出处（url地址）就可以了呢？
在“Sogou说吧”发了个问题，希望有乐观的答案。:)