HuaRenCa
Back to Forum
Community

Extractor de palabras sensibles del teclado de WeChat

醉听松风
醉听松风

2 weeks ago

Al ver este hilo, ¡resulta que no era yo el torpe, sino que Cook me está echando un pulso desde el fondo todos los días! - #13, inspirado por xjx,

En realidad, el teclado de WeChat también tiene palabras sensibles, y son bastante graciosas.

Spoiler

Para los que no tienen cuenta de v2ex, os lo publico aquí.

Por curiosidad, y con la ayuda de la IA, he programado este extractor de palabras sensibles del teclado de WeChat.

Actualmente, el número de entradas de este léxico ronda las 10 000, y aquí tenéis una vista previa del resultado de la extracción:

(Como el contenido es demasiado escandaloso, no pongo los resultados aquí)

Esta herramienta extrae del archivo .\BuildIn\cell_dict.ssrc.zh del directorio de instalación del teclado de WeChat, y ha sido probada con éxito en la última versión de Windows.

Modo de uso:

python export_sensitive_single.py -f <cell_dict.ssrc.zh> -o <out.txt>

Además, hay algunos hallazgos curiosos: el teclado de WeChat también incluye otro léxico de "palabras sensibles" no tan sensible (kind=440).

Aunque este léxico adicional puede formar palabras, en la implementación del teclado se clasifica por separado.

En cuanto a si tiene un tratamiento especial (como registro), no lo he analizado más a fondo.

Enlace de descarga de la herramienta: https://pastebin.com/emEXbrCh (código de extracción: x7E56zQ4uZ)

Para los que no quieran descargarla, ofrezco el léxico completo.

Extractor de palabras sensibles del teclado de WeChat

6
1.7K

Comments (6)

Your avatar
Sign in to comment
荒野丛林
荒野丛林2 weeks ago

En macOS la ruta probablemente sea distinta, así que conviene confirmar primero el sistema antes de hacer cambios.

易济
易济2 weeks ago

Quería preguntar cuánto tiempo se tarda aproximadamente en extraer más de diez mil entradas, ¿es necesario salir completamente del método de entrada primero? Además, ¿tienes pensado exportar también la parte con kind=440, o solo vas a procesar el diccionario principal?

飘移不过弯
飘移不过弯2 weeks ago

Sobre eso que mencionas de clasificar kind=440 por separado, me pregunto si no será simplemente que el método de entrada lo usa para la predicción de frases y no tenga nada que ver con la lógica de interceptación; ¿podrías confirmarlo de nuevo a partir de la estructura del archivo?

adas67890
adas678901 week ago

Primero verifica el hash, no ejecutes el script con doble clic directamente.

猫科斯塔灬
猫科斯塔灬1 week ago

Conviene tener cuidado al usar este tipo de herramientas en ordenadores compartidos, ya que los archivos txt exportados pueden acabar en discos sincronizados o en software de copia de seguridad. Además, el directorio de instalación cambia según la versión, por lo que las rutas de archivo pueden dejar de ser válidas tras una actualización. Lo mejor es ejecutarlas en una máquina virtual o en un entorno aislado, y tampoco conviene compartir los resultados sin más.

平安江南咏
平安江南咏1 week ago

En esencia, si la fuente del léxico y la versión no coinciden, se producen distorsiones; se recomienda indicar el número de versión del método de entrada utilizado en la extracción para facilitar comparaciones y actualizaciones posteriores.