Python汉字转拼音

2015/01/01 35958

使用字典和转换程序,将汉字转换为拼音,配置好之后,可以转换为汉字拼音首字符和汉字全拼.这个使用一个字典和转化程序就行.网上有一个署名为caocao的人做了一个python的汉字转拼音的模块.

最原始的程序参考这篇文章:将GBK汉字转化为拼音的Python小程序 . 和这里 ,这个排版好些.文中用到的convert.txt就是字典,但是作者的博客中没有提供下载.我通过网络搜索,从其他途径下载到了整个压缩包,包括字典和转换程序.该程序是基于GBK的, 要把汉字分成高低位来处理,一般人理解不了,我做了点改进就是把字典转化为utf-8的,因为在django中使用的代码就是utf-8的. 然后把他的程序也做了改进, 改成处理unicode字符,因为Unicode字符只需要处理一个字符,不用把字符分开成两半.代码中,convert1()函数是原来作者提供的,我给它改了名字.我把我写的convert替换了原来的函数名, 并且把字典文件改成了utf-8编码的.所以要简单些.convert函数提供了

self.has_shengdiao = False self.just_shengmu = False self.spliter = '-'

用来配置参数, has_shengdiao,是汉字转拼音的时候带上拼音,just_shengmu ,是仅仅把汉字字串转为汉字首拼字母串, 为false的时候,转为全拼字符串.spliter是用来分隔汉字的.为空的时候,不把转换结果用spliter分开, 默认使用"-"(横线来连接汉字拼音PINYIN,因为W3C推荐在Url中使用-作为连字符,而不是下划线_来连接字符串,因为下划线作为链接连接字符串的时候,url在地址栏中好像断掉了一样,_下划线经常看不到.)

字典文件,此处也提供不了,但是大家可以搜索下载原作的的字典, 然后使用支持utf-8转换的软件转换一下就行了.有需要的也可以和我联系.我的convert程序见下面。另外字典在这里

汉字转拼音

# -*- coding: utf-8 -*- 
# ------------------------------------------------------------
# Script   Name: convert.py
# Creation Date: 2010-09-21  02:12
# Last Modified: 2011-11-12 18:38:13
# Copyright (c)2011, DDTCMS Project
# Purpose: This file used for DDTCMS Project
# ------------------------------------------------------------

#####################################
#   Written by caocao               #
#   Modified by huyoo353@126.com    #
#   caocao@eastday.com              #
#   http://nethermit.yeah.net       #
#####################################

# python.
import sys,os
import re
import string
class CConvert:
    def __init__(self):
        self.has_shengdiao = False
        self.just_shengmu  = False
        self.spliter = '-'
        "Load data table"
        try:
            fp=open(os.path.join(settings.PROJECT_DIR, 'utils', 'convert-utf-8.txt'))
        except IOError:
            print "Can't load data from convert-utf-8.txt\nPlease make sure this file exists."
            sys.exit(1)
        else:
            self.data=fp.read().decode("utf-8")# decoded data to unicode
            fp.close()

    def convert1(self, strIn):
        "Convert Unicode strIn to PinYin"
        length, strOutKey, strOutValue, i=len(strIn), "", "", 0
        while i<length:
            code1 =ord(strIn[i:i+1])
            if code1>=0x4e02 and code1<=0xe863:
                strTemp   = self.getIndex(strIn[i:i+1])
                if not self.has_shengdiao:
                    strTemp  = strTemp[:-1]
                strLength = len(strTemp)
                if strLength<1:strLength=1
                strOutKey   += string.center(strIn[i:i+1], strLength)+" "
                strOutValue += self.spliter + string.center(strTemp, strLength) + self.spliter
            else:#ascii code;
                strOutKey+=strIn[i:i+1]+" "
                strOutValue+=strIn[i:i+1] + ' '
            i+=1
            #############################
            #txlist = utf8String.split()
            #out=convert.convert(utf8String)
            #l=[]
            #for t in map(convert.convert, txlist):
            #   l.append(t[0])
            #v = '-'.join(l).replace(' ','').replace(u'--','-').strip('-')
            #############################
        return [strOutValue, strOutKey]

    def getIndex(self, strIn):
        "Convert single Unicode to PinYin from index"
        if strIn==' ':return self.spliter
        if set(strIn).issubset("'\"`~!@#$%^&*()=+[]{}\\|;:,.<>/?"):return self.spliter # or return ""
        if set(strIn).issubset("－—！#＃%％&＆（）*，、。：；？？　@＠＼{｛｜}｝~～‘’“”《》【】+＋=＝×￥·…　".decode("utf-8")):return ""
        pos=re.search("^"+strIn+"([0-9a-zA-Z]+)", self.data, re.M)
        if pos==None:
            return strIn
        else:
            if not self.just_shengmu:
                return pos.group(1)
            else:
                return pos.group(1)[:1]

    def convert(self, strIn):
        "Convert Unicode strIn to PinYin"
        if self.spliter != '-' and self.spliter !='_' and self.spliter != '' and self.spliter != ' ':
            self.spliter = '-'
        pinyin_list=[]
        for c in strIn :
            pinyin_list.append(self.getIndex(c))
        pinyin=''
        for p in pinyin_list:
            if p==' ':
                pinyin+= self.spliter
                continue
            if len(p)<2:# only shengmu,just get one char,or number
                #if p.isdigit():
                #   pinyin += p + ' '
                #else:
                #   pinyin += p + ' '
                pinyin += p + ' '
            else:
                if not self.has_shengdiao: p = p[:-1]
                pinyin += self.spliter + p + self.spliter
        pinyin = pinyin.replace(' ','') \
                .replace(self.spliter+self.spliter,self.spliter) \
                .strip(self.spliter+' ').replace(self.spliter+self.spliter,self.spliter)
        return pinyin

代码片段