八千多个词条，包含图片、文字和视频。很难提取吧？
见百度网盘 (更新：8.18)
8.18: 删除索引“ALL”，添加三本词典【体育专业手语（老版）、理科专业手语（老版）、中国手语老版本】
8.14: 处理错误的词条，添加索引“ALL”
密码： FREE
5 Likes
看iOS版也是海笛出品的，海笛的词典数据有被提取过，论坛上有作者会，但不知道他们用的什么方法提取的，没见到有公开的。
最近因为学术需求，想训练手语示意图LoRA，需要素材。抓包分析了一下国家通用手语App，发现其全部文字内容似乎是完全内嵌在App中的，但示意图和视频均是到无需cookie就能访问的公域域名获取的（可以理解为图床）。
比如「把」：
我不会搞，求指点迷津
我也不太会
今ㄦ个看了看它的android app，底子照着海词词典app改的，因为一堆资源文件都没删。但是App被360加壳了。我不懂安卓逆向，不知道怎么处理。
所有手语图片格式我看了下ㄦ，大概是这样
http://img.haidii.com/image/41001/国家通用手语图床/7d1d984f/手语图示或者/8b8fd305/视频浏览图/fc14753bf/类似形式的9位十六进制数，我猜测是根据词条id生成的某种编码。/f53fa3dad1744e86c3c46364bd3b528b.png类似形式的32位16进制数，我猜测是根据词条id生成的md5编码。
目标是爬下来所有图片、文字（视频我还没想好怎么办），现在有这么两个法子。
- 写按键脚本，挨个ㄦ点，抓取文字，获得图片响应，记录GET的URL，从而得到图片。反正不到一万条词条，一张图片也就几十K，10秒抓取一个词条，30个小时就可以得到全部内容，服务器流量也就300MB，也属于正常访问流量范围内。
- 安卓逆向。进展会比较缓慢。
我目前打算是按照第一个方案继续做下去。
2 Likes
id生成的md5编码怎么获取的？
抓包（通过软件检测app从网上下载了什么东西）或者找存储目录都行。
用第二种方法：安卓系统中，该应用的所有图片均存储在 /data/data/cn.dictcn.android.digitize.hx_gjtysycd_41001/files/image 下，其文件名就是一串ㄦ十六进制，比如 0aa3811c5635acc4feb659346affdd51.png 这样的。
今ㄦ个已经得到了几乎所有手语图（共6706张），理论上还差一张（app收录了8214个义项，有多音字、同音词什么的，但只有6707个词条），似乎是下漏了。我训练手语图LoRA的数据要求已经达到了。这段时间比较忙，就看之后谁能提取字典的文字数据和视频了。提取好了就能做电子词典了（）
2 Likes
大佬厉害，可惜了我不会抓取安卓里的数据
1 Like
Anna下不了，有谁帮忙下载？
搜了搜，原来还有官方网站，也许可以买一些做成pdf： 国家通用手语系列 (readoor.cn)
处理图片分割反爬可以学习： 逆向世界某读切块图片链接与Python还原切割图片 - 『脱壳破解区』 - 吾爱破解 - LCG - LSG |安卓破解|病毒分析|www.52pojie.cn
“抱歉，本帖要求阅读权限高于 10 才能浏览” 
逆向世界某读切块图片链接与Python还原切割图片.pdf (6.7 MB)
只是思路，不是同一个网站，需要自己触类旁通。
1 Like
安娜我也下不动，很折磨。建议捐赠一下吧。
1 Like
1 Like
总共四册，这只是其中一册。
谢谢，还差三册
1 Like
在做mdx，请勿重复劳动力……
见百度网盘 (更新：8.14)
处理错误的词条，添加索引“ALL”
https://pan.baidu.com/s/1FvVmzM86PJNQsEInTysqlw
密码见1楼
词条处理太麻烦了，花了一天一夜搞定 
欢迎反馈，谢谢
3 Likes
还有几本要不要也做了？我花了几个小时反复从安娜上下载下来的 
。
提取码:FREE
1 Like