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
//注意,在2000/XP下生成的文本文件是Unicode格式,需要先转换到GB2312
$py = file_get_contents("WINPY.TXT");
$py = mb_convert_encoding( $py , "GBK" , "UCS-2" );
$arr_tmp = explode("\r\n", $py);
$arr_py = array();
foreach ($arr_tmp as $v)
{
   if (preg_match("/^[".chr(0x81)."-".chr(0xfe)."].[a-z]/", $v , $m ))
   {
    //print_R($m);die;
       $word = substr($v, 0, 2);
       if (!$arr_py[$word])
       {
           $arr_py[$word] = substr($v, 2);
           $output .= $v."\n";
       }
   }
}
$handle = fopen("WINPY2.TXT", 'w');
fwrite($handle, $output);
?>

      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)]。

对于WINXP请大家打开 C:\windows 目录, 查找 imegen.exe ,和 .MB , 找到 WINPY.MB

Posted on 2009-11-04 13:26  古代  阅读(904)  评论(0编辑  收藏  举报