如何使用Python为生僻字批量注音

装13的冷场

“龙生九子，各不相同…”

囚牛、睚眦、嘲风、蒲牢、狻猊、霸下、狴犴、负屃、螭吻。

都说提笔忘字丢人，可至少还有提笔的机会。随着信息化时代的普及，原来越多的人成了半文盲。怎么说？电脑前打字敲的一二一，可提起笔来就忘字。从前特别喜欢钢笔，笔袋里放的凌美、百利、永生、英雄一堆，买的北碳、毕加索、派克、百利金各式牌子的墨水。结果感觉半年多都没动过这些陈年老货了。

下午聊天装13说到龙生九子，本来吹得正欢，结果朋友问老七 bì àn怎么写，然后…瞬间懵逼了，这个13装的有点冷场啊。

最近项目有些忙，晚上构思该写点什么。想到下午的尴尬，决定发一篇之前写的Python为生僻字歌词注音的文章。

抖音配乐—生僻字

首次听到生僻字就是从抖音了，随着生僻字配乐使用的人越来越多，很多人翻唱、模仿甚至有讲解成语出处和寓意的段子，可谓百家争鸣。

但，有一类视频很不讨喜，就是把歌词用谐音字代替，好让人一眼认识。

如果是那些哈韩哈日的朋友们，想唱歌但又没有语言基础，那你配上谐音的字没毛病。可歌词中的成语和汉字就是老祖宗传下来的文化，你却用谐音字去让自己容易辨识，不觉得脸红吗？

如果不认识，你可以查字典，找度娘，然后标注上拼音啊！即娱乐又长知识了。

当然有人觉得这样一个一个的查太麻烦，那是因为——你不会Python啊！

今天，我就来教教你们，怎么把文本内容自动标注拼音。

Python的拼音模块

Python的模块库API，每次进去习惯第一动作，就是右键翻译为中文。（好羞愧，个人太爱国了，所以一直排斥学英语，好不要脸的借口…）可Python的拼音模块不需要这么做，因为涉及拼音等模块肯定和中文有关系，文档自然是中文的喽。

那么Python的拼音模块是什么？ pypinyin

• 特性

• 根据词组智能匹配最正确的拼音。

• 支持多音字。

• 简单的繁体支持, 注音支持。

• 支持多种不同拼音/注音风格。

• 安装

• pip install pypinyin

• 使用示例

>>> from pypinyin import pinyin, lazy_pinyin, Style
>>> pinyin('中心')
[['zhōng'], ['xīn']]
>>> pinyin('中心', heteronym=True)  # 启用多音字模式
[['zhōng', 'zhòng'], ['xīn']]
>>> pinyin('中心', style=Style.FIRST_LETTER)  # 设置拼音风格
[['z'], ['x']]
>>> pinyin('中心', style=Style.TONE2, heteronym=True)
[['zho1ng', 'zho4ng'], ['xi1n']]
>>> pinyin('中心', style=Style.BOPOMOFO)  # 注音风格
[['ㄓㄨㄥ'], ['ㄒㄧㄣ']]
>>> pinyin('中心', style=Style.CYRILLIC)  # 俄语字母风格
[['чжун1'], ['синь1']]
>>> lazy_pinyin('中心')  # 不考虑多音字的情况
['zhong', 'xin']
# Python 3(Python 2 下把 '中心' 替换为 u'中心' 即可):

实现分析

起初想着，既然有了这个强大的拼音模块，那么文本批量添加拼音，岂不是分分钟的事情了吗？然后，打脸接踵而来！

首先，要实现文字上一一对应的标注拼音，每个字与拼音的长度肯定不同，没办法对其。如果要对其，就得将文字进行拆分，字与字之间添加间距。有人说简单啊，每个字的拼音最多不过6位，那我们使用列表解析式[i.just(6) for i in line]不就完了？

听起来没毛病，但是…

• 歌词也有语气词啊，这句Wu 又双叒叕你直接按照字符串拆开成了什么鬼

• 一个中文在文本中占两个字符的长度，如果对齐的话，还需要识别中文和英文字符！

• 有效字符的辨识，Wu被认为是是个有效字段，模块会对其进行合并

pinyin(‘Wu 又双叒叕’) —>[[‘Wu ‘], [‘yòu’], [‘shuāng’], [‘ruò’], [‘zhuó’]]

中文识别

本来考虑使用正则去判断中文的，因为网上查到正则的匹配中文是[\u4e00-\u9fa5],简单测试了下，貌似没毛病

然后…代码都快写完了发现有些生僻字不再这个范围内，我擦！

'\u4e00'<='生'<='\u9fa5'
True
'\u4e00'<='僻'<='\u9fa5'
True
'\u4e00'<='字'<='\u9fa5'
True
'\u4e00'<='㙓'<='\u9fa5'
False

解决办法

针对正则匹配问题，深入去研究，就脱离了学Python的初衷，即便解决了也收获甚微，不如换个思路。

utf-8字符编码下，一个中文字符占3个字节，但是字符的长度仅为1，那么解析中文的方式是否可以变通为：

len(bytes(str,'utf-8) == 3 and len(string) == 1)

关于文本书写，我们判断中文后，如果是汉字str.ljust(5),否则str.ljust(6)不就行了(因为一个汉字占两个字符长度)。

代码实现

# -*- coding: utf-8 -*-
# @Author  : 王翔

# @公众号   : 清风Python

# @WeChat  : King_Uranus

# @Date    : 2019/9/6 01:33
# Software : PyCharm
# version  ：Python 3.7.3
# @File    : TextAddPinyin.py

from pypinyin import pinyin
import re


class ChangePinyin:
   def __init__(self, filename):
       self.file = filename
       self.lyric = self.read_file()
       self.pinyin = []

   def read_file(self):
       with open(self.file, encoding='utf-8') as f:
           return f.readlines()

   def write_file(self):
       with open('New_%s' % self.file, 'w', encoding='utf-8') as f:
           print(self.lyric)
           for line in self.lyric:
               # print(line)
               if line.strip() == '':
                   continue
               _new_line = re.sub(r'\s', '', line)
               # 行内容转拼音
               _pinyin = ''.join(map(lambda x: x[0].ljust(6), pinyin(_new_line)))
               # 根据中英文,将行内容进行字符与汉字的拆分
               _lyric = self.split_words(_new_line)
               f.write('%s\n%s\n' % (_pinyin, _lyric))

   @staticmethod
   def split_words(words):
       word_list = ""
       tmp = ""
       for string in words:
           if len(bytes(string, 'utf-8')) == 3 and len(string) == 1:
               if tmp != '':
                   word_list += tmp.ljust(6)
                   tmp = ""
               word_list += string.ljust(5)
           else:
               tmp += string
       return word_list


if __name__ == '__main__':
   Main = ChangePinyin('lyric.txt')
   Main.write_file()

看看最后的实现效果吧，是不是格式很工整！

录屏软件为LICEcap

它是一款屏幕录制工具，支持导出 GIF 动画图片格式，轻量级、使用简单，录制过程中可以随意改变录屏范围。

好了，今天的内容就到这里，希望大家喜欢，如果觉得文章有用，记得关注支持我啊。

The End

本文来自“清风Python”公众号