如何使用Python为生僻字批量注音

举报
技术火炬手 发表于 2019/09/05 10:52:52 2019/09/05
【摘要】 今天,我就来教教你们,怎么把文本内容自动标注拼音。

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!

640.gif

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


【版权声明】本文为华为云社区用户转载文章,如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

举报
请填写举报理由
0/200