python中文生僻字的识别

Z时代
2024-01-10
分类：综合

美女程序员鼓励师

问题点

本来考虑用正则来判断中文，因为网上发现正则的匹配中文是[\u4e00-\u9fa5]。接着代码都快写完了，发现有些生僻字不再在这个范围内。

识别方法

在utf-8字符编码下，一个中文字符占3个字节，但字符的长度只有1。

1、分析中文的方法是否可以灵活为len(bytes(str,'utf-8)==3 and len(string)==1。

2、文本写作判断中文后，如果是汉字str.ljust(5)，否则为str.ljust(6)。

因为一个汉字占两个字符的长度。

实例

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()