biggates的心得

:: 管理 ::

29 随笔 :: 1 文章 :: 21 评论 :: 2 引用

最近使用到汉字到拼音的转换，因此在众多搜索结果干扰项中探得此文。由于原文思路清晰，观点独特，故转载于此。本文实质上使用的是查表法，全文内容基本上是字典的获取方法
注意：本文转自 http://blog.verycd.com/dash/cmd=showentry&eid=1677 ，以下为原文

细心的网友可能会发现，VeryCD的资源搜索是支持拼音的，不论你是直接输入拼音，还是输入同音字，我们的搜索程序都会提示你正确的关键字。比如: http://search.verycd.com/search?q=萧雅轩 (注：此链接已经过时)
之前我们使用的是一个网上已经很普遍的汉字转拼音函数，通过使用后发现，这个函数的算法虽然简便，但只能取得GB2312中根据拼音排列的3755个常用汉字，所以其适用范围很有限。由于其它汉字大都按部首/笔画顺序排列，所以我们只能通过建立一个汉字-拼音表来实现一一对应。
这个时候输入法生成器就派上了用场，利用它的逆转换功能生成一个汉字拼音的文本文件。然后再写一个PHP小程序，即可删除这个文本文件中的词组和多音字。

<?php
2

//注意，在2000/XP下生成的文本文件是Unicode格式，需要先转换到GB2312
3

$py = file_get_contents("WINPY.TXT");
4

$arr_tmp = explode("\r\n", $py);
5

$arr_py = array();
6

foreach ($arr_tmp as $v)
7

{
8

if (preg_match("/^[".chr(0x81)."-".chr(0xfe)."].[a-z]/", $v))
9

{
10

$word = substr($v, 0, 2);
11

if (!$arr_py[$word])
12

{
13

$arr_py[$word] = substr($v, 2);
14

$output .= $v."\n";
15

}
16

}
17

}
18

$handle = fopen("WINPY2.TXT", 'w');
19

fwrite($handle, $output);
20

      通过读入WINPY2.TXT再配合几个字符串操作函数就可以非常简单的获取到汉字的拼音了(具体的代码xdanger还在写，我这里就不贴出来了)

      附注：我们在最后处理的时候忽略了多音字的因素，以后仍然有待改进。
      网上关于正则判断中文的文章大都使用[chr(0xa1)-chr(0xff)]来判断中文，事实上这只能判断出GB2312的几千个汉字，生僻字和繁体字都不包含在内，正确的应该是[chr(0x81)-chr(0xfe)]。

      注：原附件已被删除，本文仅提供原理。

旧版请见 http://biggates.spaces.live.com
生活版请见 http://www.myspace.cn/biggates
技术版请见 http://biggates.cnblogs.com
游戏版请见 http://biggates.wownei.com
其它问题请咨询 http://www.google.com