汉语言处理工具pyhanlp的拼音转换与字符正则化

汉字转拼音

HanLP中的汉字转拼音功能也十分的强大。

说明：

l  HanLP不仅支持基础的汉字转拼音，还支持声母、韵母、音调、音标和输入法首字母首声母功能。

l  HanLP能够识别多音字，也能给繁体中文注拼音。

l  最重要的是，HanLP采用的模式匹配升级到AhoCorasickDoubleArrayTrie，性能大幅提升，能够提供毫秒级的响应速度！

算法详解：

l  《汉字转拼音与简繁转换的Java实现》

1.  # 汉字转拼音

2.  Pinyin = JClass("com.hankcs.hanlp.dictionary.py.Pinyin")

3.  text = "重载不是重任！"

4.  pinyin_list = HanLP.convertToPinyinList(text)

5.  print("原文，", end=" ")

6.  print(text)

7.  print("拼音（数字音调），", end=" ")

8.  print(pinyin_list)

9.  print("拼音（符号音调），", end=" ")

10.  for pinyin in pinyin_list:

11.  print("%s," % pinyin.getPinyinWithToneMark(), end=" ")

12.  print("\n拼音（无音调），", end=" ")

13.  for pinyin in pinyin_list:

14.  print("%s," % pinyin.getPinyinWithoutTone(), end=" ")

15.  print("\n声调，", end=" ")

16.  for pinyin in pinyin_list:

17.  print("%s," % pinyin.getTone(), end=" ")

18.  print("\n声母，", end=" ")

19.  for pinyin in pinyin_list:

20.  print("%s," % pinyin.getShengmu(), end=" ")

21.  print("\n韵母，", end=" ")

22.  for pinyin in pinyin_list:

23.  print("%s," % pinyin.getYunmu(), end=" ")

24.  print("\n输入法头，", end=" ")

25.  for pinyin in pinyin_list:

26.  print("%s," % pinyin.getHead(), end=" ")

27.  print()

28.  # 拼音转换可选保留无拼音的原字符

29.  print(HanLP.convertToPinyinString("截至2012年，", " ", True))

30.  print(HanLP.convertToPinyinString("截至2012年，", " ", False))

1.原文， 重载不是重任！

2.拼音（数字音调）， [chong2, zai3, bu2, shi4, zhong4, ren4, none5]

3.拼音（符号音调）， chóng, zǎi, bú, shì, zhòng, rèn, none,

4.拼音（无音调）， chong, zai, bu, shi, zhong, ren, none,

5.声调， 2, 3, 2, 4, 4, 4, 5,

6.声母， ch, z, b, sh, zh, r, none,

7.韵母， ong, ai, u, i, ong, en, none,

8.输入法头， ch, z, b, sh, zh, r, none,

9.jie zhi none none none none nian none

10.jie zhi 2 0 1 2 nian ，

拼音转中文

HanLP中的数据结构和接口是灵活的，组合这些接口，可以自己创造新功能，我们可以使用AhoCorasickDoubleArrayTrie实现的最长分词器，需要用户调用setTrie()提供一个AhoCorasickDoubleArrayTrie

1.StringDictionary = JClass(

2."com.hankcs.hanlp.corpus.dictionary.StringDictionary")

3.CommonAhoCorasickDoubleArrayTrieSegment = JClass(

4."com.hankcs.hanlp.seg.Other.CommonAhoCorasickDoubleArrayTrieSegment")

5.Config = JClass("com.hankcs.hanlp.HanLP$Config")

6.

7.TreeMap = JClass("java.util.TreeMap")

8.TreeSet = JClass("java.util.TreeSet")

9.

10.dictionary = StringDictionary()

11.dictionary.load(Config.PinyinDictionaryPath)

12.entry = {}

13.m_map = TreeMap()

14.for entry in dictionary.entrySet():

15.pinyins = entry.getValue().replace("[\\d,]", "")

16.words = m_map.get(pinyins)

17.if words is None:

18.words = TreeSet()

19.m_map.put(pinyins, words)

20.words.add(entry.getKey())

21.words = TreeSet()

22.words.add("绿色")

23.words.add("滤色")

24.m_map.put("lvse", words)

25.

26.segment = CommonAhoCorasickDoubleArrayTrieSegment(m_map)

27.print(segment.segment("renmenrenweiyalujiangbujianlvse"))

28.print(segment.segment("lvsehaihaodajiadongxidayinji"))

1.[renmenrenweiyalujiangbujian/null, lvse/[滤色, 绿色]]

2.[lvse/[滤色, 绿色], haihaodajiadongxidayinji/null]

字符正则化

演示正规化字符配置项的效果（繁体->简体，全角->半角，大写->小写）。

该配置项位于hanlp.properties中，通过Normalization=true来开启（现在直接通过HanLP.Config.Normalization开启即可）。

切换配置后必须删除CustomDictionary.txt.bin缓存，否则只影响动态插入的新词。

在我动笔前一个星期，已经有同学添加了，添加自定义词典之后，自动删除缓存的功能。地址请参阅github.com/hankcs/HanLP/pull/954，现在只需要开启正则化即可

1.CustomDictionary =JClass("com.hankcs.hanlp.dictionary.CustomDictionary")

2.print("HanLP.Config.Normalization = False\n")

3.HanLP.Config.Normalization = False

4.CustomDictionary.insert("爱听4G", "nz 1000")

5.print(HanLP.segment("爱听4g"))

6.print(HanLP.segment("爱听4G"))

7.print(HanLP.segment("爱听４G"))

8.print(HanLP.segment("爱听４Ｇ"))

9.print(HanLP.segment("愛聽４Ｇ"))

10.

11.print(HanLP.segment("喜欢４Ｇ"))

12.print(HanLP.segment("hankcs在臺灣寫代碼"))

13.

14.print("\nHanLP.Config.Normalization = True\n")

15.HanLP.Config.Normalization = True

16.print(HanLP.segment("爱听4g"))

17.print(HanLP.segment("爱听4G"))

18.print(HanLP.segment("爱听４G"))

19.print(HanLP.segment("爱听４Ｇ"))

20.print(HanLP.segment("愛聽４Ｇ"))

21.

22.print(HanLP.segment("喜欢４Ｇ"))

23.print(HanLP.segment("hankcs在臺灣寫代碼"))

24.

25.HanLP.Config.ShowTermNature = False

27.text = HanLP.s2tw("现在的HanLP已经添加了添加自定义词典之后，自动删除缓存的功能,现在只需要开启正则化即可")

28.print(text)

29.print(HanLP.segment(text))

30.HanLP.Config.ShowTermNature = False

1.HanLP.Config.Normalization = False

2.

3.[爱听4g]

4.[爱听4G]

5.[爱, 听, ４, G]

6.[爱, 听, ４, Ｇ]

7.[愛, 聽, ４, Ｇ]

8.[喜欢, ４, Ｇ]

9.[hankcs, 在, 臺, 灣寫, 代, 碼]

10.

11.HanLP.Config.Normalization = True

12.

13.[爱听4g]

14.[爱听4g]

15.[爱听4g]

16.[爱听4g]

17.[爱听4g]

18.[喜欢, 4, g]

19.[hankcs, 在, 台湾, 写, 代码]

20.現在的HanLP已經新增了新增自定義詞典之後，自動刪除快取的功能,現在只需要開啟正則化即可

21.[现在, 的, hanlp, 已经, 新增, 了, 新增, 自定义, 词典, 之后, ,, 自动, 删除, 快, 取, 的