DIV CSS 佈局教程網

JavaScript 實現漢字與拼音互轉的完整方案
編輯:關於JavaScript     

前言

中文漢字與拼音的互轉,在很多場景下都會用到。本文精心整理並修正了網上幾種常見的字典文件,並簡單封裝成一個可以直接拿來用的工具庫,有需要的同學一起來看看。

漢字轉拼音:

拼音轉漢字:

漢字與拼音相關知識普及

漢字范圍

一般認為 Unicode 編碼中的漢字范圍是 /^[\u2E80-\u9FFF]+$/ (11904-40959) ,但其中有不少並非常用漢字。本文用到的幾個字典文件,漢字范圍均為 /^[\u4E00-\u9FA5]+$/,也就是(19968-40869);此外還有一個單獨的漢字「〇」,它的 Unicode 位置是 12295。

拼音組合

漢字有 21 個聲母:b、p、m、f、d、t、n、l、g、k、h、j、q、x、zh、ch、sh、r、z、c、s;24 個韻母,其中單韻母 6 個:a、o、e、i、u、v,復韻母 18 個:ai、ei、ui、ao、ou、iu、ie、ve、er、an、en、in、un、vn、ang、eng、ing、ong。若聲母與韻母兩兩組合,理論上有 24×21=504 種,但有些組合並無實際意義(如 bv、gie、ve 等),去除後實際約有 412 種。

拼音字典文件

下面按字典文件從小到大依次介紹。

字典一:拼音首字母

該字典文件的大致內容如下:

 /** * 拼音首字母字典文件 */ var pinyin_dict_firstletter = {}; pinyin_dict_firstletter.all = "YDYQSXMWZSSXJBYMGCCZQPSSQBYCDSCDQLDYLYBSSJG..."; pinyin_dict_firstletter.polyphone = {"19969":"DZ","19975":"WM","19988":"QJ","20048":"YL",...};

它把 Unicode 字符 4E00(19968)至 9FA5(40869)共 20902 個漢字的拼音首字母拼接成一個很長的字符串,再將其中有多音的漢字(共 370 個多音字)單獨列出。該字典約 25kb,優點是體積小、支持多音字,缺點是只能拿到拼音首字母。

字典二:常用漢字

該字典按拼音對漢字進行歸類,共 401 種組合,收錄 6763 個常用漢字,不支持多音字。由於是從網絡收集而來、收錄字數有限,文件只有約 24kb。

字典文件大致內容如下(僅展示一小部分):

 /** * 常規拼音數據字典,收錄常見漢字6763個,不支持多音字 */ var pinyin_dict_notone = { "a":"啊阿锕", "ai":"埃挨哎唉哀皚癌藹矮艾礙愛隘诶捱嗳嗌嫒瑷暧砹锿霭", "an":"鞍氨安俺按暗岸胺案谙埯揞犴庵桉铵鹌顸黯", "ang":"骯昂盎", "ao":"凹敖熬翱襖傲奧懊澳坳拗嗷噢岙廒遨媪骜聱螯鏊鳌鏖", "ba":"芭捌扒叭吧笆八疤巴拔跋靶把耙壩霸罷爸茇菝萆捭岜灞杷钯粑鲅魃", "bai":"白柏百擺佰敗拜稗薜掰鞴", "ban":"斑班搬扳般頒板版扮拌伴瓣半辦絆阪坂豳钣瘢癍舨", "bang":"邦幫梆榜膀綁棒磅蚌鎊傍謗蒡螃", "bao":"苞胞包褒雹保堡飽寶抱報暴豹鮑爆勹葆宀孢煲鸨褓趵龅", "bo":"剝薄玻菠播撥缽波博勃搏鉑箔伯帛舶脖膊渤泊駁亳蕃啵饽檗擘礴钹鹁簸跛", "bei":"杯碑悲卑北輩背貝鋇倍狽備憊焙被孛陂邶埤蓓呗怫悖碚鹎褙鐾", "ben":"奔苯本笨畚坌锛" // 省略其它 };

後來發現這份字典存在一些錯誤,比如把「虐」寫成 nue(正確應為 nve)、「躺」寫成 thang,而且不支持多音字。於是作者依據其他字典重新生成了一份同格式的字典文件:

      共 404 種拼音組合

      收錄 6763 個常用漢字

      支持多音字

      不支持聲調

      文件大小約 27kb

同時,作者依據一份「常用 6763 個漢字使用頻率表」對這些漢字做了頻率排序,這樣便能實現一個差強人意的 JS 版輸入法。

此外,對照一份更完整的字典發現,其實共有 412 種拼音組合,上面字典中缺失的 8 種發音是:

 chua,den,eng,fiao,m,kei,nun,shei

字典三:終極字典

首先是從網上找到的一份結構化字典(稱為字典 A),支持聲調與多音字,它枚舉了 Unicode 中 4E00(19968)至 9FA5(40869)共 20902 個漢字(含「〇」則為 20903 個)的全部拼音,文件約 280kb:

 3007 (ling2) 4E00 (yi1) 4E01 (ding1,zheng1) 4E02 (kao3) 4E03 (qi1) 4E04 (shang4,shang3) 4E05 (xia4) 4E06 (none0) 4E07 (wan4,mo4) 4E08 (zhang4) 4E09 (san1) 4E0A (shang4,shang3) 4E0B (xia4) 4E0C (ji1) 4E0D (bu4,bu2,fou3) 4E0E (yu3,yu4,yu2) 4E0F (mian3) 4E10 (gai4) 4E11 (chou3) 4E12 (chou3) 4E13 (zhuan1) 4E14 (qie3,ju1) ...

其中,對於沒有或找不到讀音的漢字統一標注為 none0,統計下來這類漢字共有 525 個。為了盡量壓縮體積,作者發現除第一個「〇」(3007)外其餘都是連續的,於是改成如下結構,文件從 280kb 縮小到 117kb:

 var pinyin_dict_withtone = "yi1,ding1 zheng1,kao3,qi1,shang4 shang3,xia4,none0,wan4 mo4,zhang4,san1,shang4 shang3,xia4,ji1,bu4 bu2 fou3,yu3 yu4 yu2,mian3,gai4,chou3,chou3,zhuan1,qie3 ju1...";

這份字典的缺點是聲管用數字標注,若要得到類似 xiǎo míng tóng xué 這樣的拼音,還需要一個算法把合適位置的字母轉換成 āáǎàōóǒòēéěèīíǐìūúǔùüǖǘǚǜńň。

正當準備自己動手寫轉換方法時,又找到了一份字典文件(稱為字典 B),它收錄 20867 個漢字,同樣支持聲調和多音字,但聲調是直接標在字母上方的。由於它把漢字也枚舉了出來,文件比較大,約 327kb,大致內容如下:

 { "吖": "yā,ā", "阿": "ā,ē", "呵": "hē,a,kē", "嗄": "shà,á", "啊": "ā,á,ǎ,à,a", "腌": "ā,yān", "锕": "ā", "錒": "ā", "矮": "ǎi", "愛": "ài", "挨": "āi,ái", "哎": "āi", "礙": "ài", "癌": "ái", "艾": "ài", "唉": "āi,ài", "藹": "ǎi" /* 省略其它 */ }

比對後發現:有 502 個漢字在字典 A 中讀音為 none,但字典 B 有讀音;有 21 個漢字 A 有而 B 沒有:

 { "兙": "shí kè", "兛": "qiān", "兝": "fēn", "兞": "máo", "兡": "bǎi kè", "兣": "lǐ", "唞": "dǒu", "嗧": "jiā lún", "囍": "xǐ", "堎": "lèng líng", "猤": "hú", "瓩": "qián wǎ", "礽": "réng", "膶": "rùn", "芿": "rèng", "蟘": "tè", "貣": "tè", "釀": "niàng niàn niáng", "醸": "niàng", "鋱": "tè", "铽": "tè" }

另有 7 個漢字是 B 有而 A 沒有的:

 { "㘄": "lēng", "䉄": "léng", "䬋": "léng", "䮚": "lèng", "䚏": "lèng,lì,lìn", "㭁": "réng", "䖆": "niàng" }

於是在字典 A 的基礎上合併二者,得到了最終的字典文件 pinyin_dict_withtone.js,大小約 122kb:

 var pinyin_dict_withtone = "yī,dīng zhēng,kǎo qiǎo yú,qī,shàng,xià,hǎn,wàn mò,zhàng,sān,shàng shǎng,xià,qí jī...";

如何使用

作者把這幾種字典文件放在一起,並封裝了簡單的解析方法,使用時可根據實際需要引入不同的字典文件。

封裝好的 3 個方法:

 /** * 獲取漢字的拼音首字母 * @param str 漢字字符串,如果遇到非漢字則原樣返回 * @param polyphone 是否支持多音字,默認false,如果為true,會返回所有可能的組合數組 */ pinyinUtil.getFirstLetter(str, polyphone); /** * 根據漢字獲取拼音,如果不是漢字直接返回原字符 * @param str 要轉換的漢字 * @param splitter 分隔字符,默認用空格分隔 * @param withtone 返回結果是否包含聲調,默認是 * @param polyphone 是否支持多音字,默認否 */ pinyinUtil.getPinyin(str, splitter, withtone, polyphone); /** * 拼音轉漢字,只支持單個漢字,返回所有匹配的漢字組合 * @param pinyin 單個漢字的拼音,不能包含聲調 */ pinyinUtil.getHanzi(pinyin);

下面分別針對不同場合說明如何使用。

如果你只需要獲取拼音首字母

 <script type="text/javascript" src="pinyin_dict_firstletter.js"></script> <script type="text/javascript" src="pinyinUtil.js"></script> <script type="text/javascript"> pinyinUtil.getFirstLetter('小茗同學'); // 輸出 XMTX pinyinUtil.getFirstLetter('大中國', true); // 輸出 ['DZG', 'TZG'] </script>

需要特別說明的是,引入另外兩個字典文件同樣能獲取拼音首字母,只是用這個字典更合適。

如果拼音不需要聲調

 <script type="text/javascript" src="pinyin_dict_noletter.js"></script> <script type="text/javascript" src="pinyinUtil.js"></script> <script type="text/javascript"> pinyinUtil.getPinyin('小茗同學'); // 輸出 'xiao ming tong xue' pinyinUtil.getHanzi('ming'); // 輸出 '明名命鳴銘冥茗溟酩瞑螟暝' </script>

如果需要聲調或需要處理生僻字

 <script type="text/javascript" src="pinyin_dict_withletter.js"></script> <script type="text/javascript" src="pinyinUtil.js"></script> <script type="text/javascript"> pinyinUtil.getPinyin('小茗同學'); // 輸出 'xiǎo míng tóng xué' pinyinUtil.getPinyin('小茗同學', '-', true, true); // 輸出 ['xiǎo-míng-tóng-xué', 'xiǎo-míng-tòng-xué'] </script>

關於簡單拼音輸入法

一個正式的輸入法要考慮的因素太多,比如詞庫、用戶個人輸入習慣等,這裡只實現一個最簡單的版本,沒有任何詞庫(web 環境也不適合引入太大的文件)。

推薦使用第二個字典文件 pinyin_dict_noletter.js。雖然字典三收錄字數更多,但無法按使用頻率排序,一些生僻字反而排在前面。

 <link rel="stylesheet" type="text/css" href="simple-input-method/simple-input-method.css"> <input type="text" class="test-input-method"/> <script type="text/javascript" src="pinyin_dict_noletter.js"></script> <script type="text/javascript" src="pinyinUtil.js"></script> <script type="text/javascript" src="simple-input-method/simple-input-method.js"></script> <script type="text/javascript"> SimpleInputMethod.init('.test-input-method'); </script>

總結

由於本工具類的目標環境是 web,而 web 註定了文件體積不能太大,因此無法引入過大的詞庫;又因缺少詞庫支持,多音字無法智能識別,所實現的拼音輸入法也難以自動匹配出合適的詞語。以上就是這篇文章的全部內容,希望對大家的學習或工作有所幫助。

XML學習教程| jQuery入門知識| AJAX入門| Dreamweaver教程| Fireworks入門知識| SEO技巧| SEO優化集錦|
Copyright © DIV+CSS佈局教程網 All Rights Reserved