多台机器同步词库想法

[lld2001]

搜了下 issue，多台机器之间同步个人词库没有找到好的方法。有个想法，不知道可不可行，请帮忙看下：

1. 每次关闭emacs时导出个人词库，把 pyim-export-personal-words 放在 kill-emacs-hook里。
2. 导出的词库文件位置由git管理，方便多台之间合并词库。
3. 通过下面方式加载。此处有疑问，由于各台机器之间本身有 cache，并且不同。这样会不会引起重复加载问题？加载优先级问题

   (setq pyim-dicts
     '((:name "dict1" :file "/path/to/pyim-dict1.pyim")
       ))

4. 有没有更好方法？

[tumashu]

pyim 的全拼输入法， 第一个位置是预留的，剩下的词就通过count大小来排序，型码输入法也可以搞成这样，但我不知道合理不合理，因为我不了解

[lld2001]

因为以前有人反映过，不希望词的位置频繁变动。

这个好像在issue里看过下。

那我先在我这种想法下用一段时间试试。

[tumashu]

我感觉你是想导出你输入过的词，并且这个词没有在已有词库中存在，如果这样的话，你应该自定义导出功能，这样影响更小

[lld2001]

型码像五笔本身重码低，如果本身在第一个位置也统计词频，可能会有点偏。

[tumashu]

统计count 是一回事，排序是另外一回事，排序可以基于 count，也可以基于其它规则

[lld2001]

我觉得理想状况是：固定第一个词，其他词按统计的词频进行排序，也就是从第二个位置开始按词频排列词。

[tumashu]

我觉得理想状况是：固定第一个词，其他词按统计的词频进行排序，也就是从第二个位置开始按词频排列词。

拼音输入法就是这么搞得，其实我觉得第一个词如何固定更重要，目前使用的方法还是比较粗糙的

[lld2001]

五笔简单，第一个词按词库来就行，所以前面我才说不希望第一个词更新词频

[tumashu]

五笔简单，第一个词按词库来就行，所以前面我才说不希望第一个词更新词频

意思是，第一个词按词库来，剩下的按 count 排序？

[lld2001]

嗯。但重码时字的排序在词的前面要好点。

[tumashu]

我更新了，你可以试试，另外型码是支持联输的, 可以试试：

(setq pyim-autoselector nil)

[lld2001]

不知是作了什么改变？我有针对性试试。看着好像前面那里的逻辑删除，只留下 (pyim-process-create-word (pyim-process-get-outcome) 了

[tumashu]

主要更改在这块：

(defun pyim-candidates-create:xingma (imobjs scheme-name &optional async)
  "`pyim-candidates-create' 处理五笔仓颉等形码输入法的函数."
  (unless async
    (let (result)
      (dolist (imobj imobjs)
        (let* ((codes (pyim-codes-create imobj scheme-name))
               (last-code (car (last codes)))
               (other-codes (remove last-code codes))
               output prefix)

          ;; 如果 wubi/aaaa -> 工 㠭；wubi/bbbb -> 子 子子孙孙；wubi/cccc 又 叕；
          ;; 用户输入为： aaaabbbbcccc

          ;; 那么：
          ;; 1. codes       =>   ("wubi/aaaa" "wubi/bbbb" "wubi/cccc")
          ;; 2. last-code   =>   "wubi/cccc"
          ;; 3. other-codes =>   ("wubi/aaaa" "wubi/bbbb")
          ;; 4. prefix      =>   工子
          (when other-codes
            (setq prefix (mapconcat
                          (lambda (code)
                            (car (pyim-dcache-get code '(code2word))))
                          other-codes "")))

          ;; 5. output => 工子又 工子叕
          (setq output
                ;; NOTE: 下面这种策略是否合理？
                ;; 1. 第一个词选择公共词库中的第一个词。
                ;; 2. 剩下的分成字和词，字优先排，字和词各按 count 大小排序。
                (let* ((first-word (car (pyim-dcache-get last-code '(code2word))))
                       (all-words (pyim-dcache-get last-code '(icode2word code2word shortcode2word)))
                       (chars (cl-remove-if (lambda (word)
                                              (> (length word) 1))
                                            all-words)))
                  (mapcar (lambda (word)
                            (concat prefix word))
                          ;; NOTE: 形码输入法的第一个词选择公共词库中的第一个词，
                          ;; 剩下的词按照词条 count 大小排序。这种策略是否合理？
                          `(,first-word
                            ,@(pyim-dcache-call-api 'sort-words chars)
                            ,@(pyim-dcache-call-api 'sort-words all-words)))))
          (setq output (remove "" (or output (list prefix))))
          (setq result (append result output))))
      (when (car result)
        (delete-dups result)))))

[lld2001]

型码是支持联输的

我看了下现在 pyim-autoselector 的设置，目前是：(pyim-autoselector-xingma)。

用五笔一般是4码自动上屏，5码自动取消，现在这个设置正好，所以不存在“aaaabbbbcccc”这么长的码。

现在这种字优先于词的方案貌似也有些问题：把很多生僻字排朝常用词的前了。

[tumashu]

那干脆字和词不分开排了？

[tumashu]

所以不存在“aaaabbbbcccc”这么长的码

(setq pyim-autoselector nil) 的时候就需要处理。

[lld2001]

嗯，固定第一个，其他按词频来，估计会好点。

[tumashu]

现在这种字优先于词的方案貌似也有些问题：把很多生僻字排朝常用词的前了。

或许我们可以选择用户曾经输入过的字？

[lld2001]

但感觉词频也有些些偏差，四码唯一导致很多字词的频率会很高。

[lld2001]

或许我们可以选择用户曾经输入过的字？

这是个好思路。

[tumashu]

这是个好思路。

试试看，我先排常用字了，常用字在这里的定义是用户输入次数超过30次的汉字

[lld2001]

好的，像你说的排字词这块有点复杂，不知道有没有相关理论研究。我试用段时间再来反馈。

[tumashu]

好的，像你说的排字词这块有点复杂，不知道有没有相关理论研究。我试用段时间再来反馈。

没有研究过 :-)

[lld2001]

发现一个bug，四码唯一上屏时，不会更新词频了。比如：时间（jfuj）这个词。

我是输入时，查看 pyim-dhashcache-iword2count这个变量的变化。

[tumashu]

应该可以了

[lld2001]

嗯，可以正常更新词频了。