词典格式解析：.mdx

1 简介

最近在做一个词典 CLI 工具，所以我需要解析 .mdx 这种常见的词典格式。

它分为 header, key 以及 record 三个部分。其中 key 和 record 都有自己的 header，并且分为多个块。下面我们先考虑一下每个块具体是怎么回事。

2 Header

struct Header {
  // payload 的总长度。
  [[be]] uint32_t len;
  // UTF-16 编码的 XML。
  [[le]] uint8_t  payload[len];
  // XML 的校验码。
  [[le]] uint32_t crc;
};

这里的校验码是 Adler-32：

a = 1
b = 0
for x in bytes(data):
  a = (a + x) % 65521
  b = (b + a) % 65521
result = (b << 16) | a

2.1 XML 属性

MDX 的根元素通常是 <Dictionary .../>，MDD 的根元素是 <Library_Data .../>。属性顺序不固定，值使用双引号，可能包含 & < > 之类的转义字符。

下面是一些常见的键。有一些只和写入有关，我们可以不用管。

属性	常见值	作用
`GeneratedByEngineVersion`	`1.2`、`2.0`	版本号，决定布局。
`RequiredEngineVersion`	`1.2`、`2.0`	写入：所需的版本，只读时可以忽略。
`Encrypted`	`0`、`1`、`2`、`3`、`No`、`Yes`	加密形态，见小节 5
`Encoding`	`UTF-8`、`UTF-16`、`GBK`、`GB2312`、`Big5`	key 和 record 的字符编码
`Format`	`Html`、`Text`	正文格式
`KeyCaseSensitive`	`Yes`、`No`	写入：是否区分大小写
`Stripkey`	`Yes`、`No`	写入：是否忽略标点和空白
`Title`	文本	词典标题
`Description`	文本	描述
`CreationDate`	`2026-9-18`	创建日期
`DataSourceFormat`	`106`	可忽略
`StyleSheet`	文本	CSS，可能需要渲染
`RegisterBy`	`EMail`、`DeviceID`	注册 key 的类型
`RegCode`	十六进制串	注册 key 的加密形式

我们只处理 2.0 版本。1.x 版本主要的区别是所有的长度都是 32 位而不是 64 位。

MDX 和 MDD 文件虽然格式相似，但是对 Encoding 的处理不同。MDX 就是按照 Encoding 字段编码的，默认 UTF-8，而 MDD 的 key 全部都是 UTF-16LE，而 record 不是文本。

3 Key

这个部分记录每个词条所在的 record 的字节偏移。偏移量是从文件最开头开始算的。它分为 header，block metadata 以及 block 列表三个部分。每个 block 可能装有很多词条。

struct KeySectionHeader {
  // Block 总数
  [[be]] uint64_t blockCnt;
  // 词条总数
  [[be]] uint64_t entryCnt;
  // metadata 解压后的字节数
  [[be]] uint64_t dMetaSize;
  // metadata 长度
  [[be]] uint64_t metaSize;
  // block 总长度
  [[be]] uint64_t blockSize;
  // header 本身的校验码
  [[be]] uint32_t crc;
};

Meta 部分是一个压缩块。每个压缩块形如

struct CompressedBlock {
  // 压缩类型。0 为不压缩，1 为 LZO，2 为 zlib。
  [[le]] uint32_t cType;
  // 解压后数据的校验码
  [[be]] uint32_t crc;
  [[le]] void *payload;
};

大部分内容都是 cType = 2 的。

解压之后，meta 的字段如下：

struct KeyMeta {
  struct Blockmeta {
    // 词条数
    [[be]] uint64_t entryCnt;
    // 第一个 key。最后一个 codepoint 是 0
    [[be]] uint16_t key1len;
    [[be]] char     key1[(key1len + 1) * sizeof(Codepoint)];
    // 同理，最后一个key
    [[be]] uint16_t lastKeyLen;
    [[be]] char     lastKey[(lastKeyLen + 1) * sizeof(Codepoint)];
    // block 本体压缩/解压的长度
    [[be]] uint64_t blockSize;
    [[be]] uint64_t dBlockSize;
  } meta[blockCnt];
};

Block 本体自然也被压缩。它解压后的形态则是

struct KeyBlock {
  [[be]] uint64_t offset;
  [[be]] char     key[? * sizeof(CodePoint)];
};

这里的 key 没有长度，纯粹以 codepoint 0 结尾。

4 Record

这是词条正文。

struct RecordHeader {
  // 和 KeyHeader 一样。
  [[be]] uint64_t blockCnt;
  [[be]] uint64_t entryCnt;
  // 这次不包括压缩前的大小了，因为 meta 根本没有压缩。
  [[be]] uint64_t metaSize;
  [[be]] uint64_t blockSize;
};

struct RecordMeta {
  struct Blockmeta {
    // 每个 block 压缩和解压时的大小。
    [[be]] uint64_t cSize;
    [[be]] uint64_t dSize;
  } meta[blockCnt];
};

记录块比较特别，是全局的。我们需要将解压后的字节按顺序拼起来，而词条的正文就是对应 key 的 offset 到下一个 key 的 offset 之间的这段内容。

5 加密

5.1 `Encrypted`

Encrypted 可能是数字，也可能是 No/Yes。常见解释：

值	含义
`0`, `No`, 空	不加密	`1`, `Yes`
需要密钥	`2`	key metadata 混淆
`3`	两者都有

5.2 Metadata 混淆

解码：

seed = [...wrapper[4:8], 0x95, 0x36, 0x00, 0x00] # 8 字节
key  = RIPEMD128(seed)                           # 16 字节

prev = 0x36
for i in 0 .. len(payload)-1:
  x = payload[i]
  t = ((x >> 4) | (x << 4)) & 0xff
  payload[i] = t ^ prev ^ (i & 0xff) ^ key[i % 16]
  prev = x

反混淆后的 payload 就是正常的压缩流（通常是 zlib）。