Python 漢字轉拼音的庫--- PyPinyin

Python 漢字轉拼音的庫--- PyPinyin

Python 中提供了漢字轉拼音的庫，名字叫做 PyPinyin，可以用於漢字注音、排序、檢索等等場合，是基於 hotto/pinyin 這個庫開發的，一些站點連結如下：

• GitHub:

  https://github.com/mozillazg/python-pinyin

• 文件：

  https://pypinyin.readthedocs.io/zh_CN/master/

• PyPi：

  https://pypi.org/project/pypinyin/

它有這麼幾個特性：

• 根據片語智慧匹配最正確的拼音。

• 支援多音字。

• 簡單的繁體支援, 注音支援。

• 支援多種不同拼音/注音風格。

是不是等不及了呢？那就讓我們來了解一下它的用法吧！

安裝

首先就是這個庫的安裝了，通過 pip 安裝即可：

pip3 install pypinyin

安裝完成之後匯入一下這個庫，如果不報錯，那就說明安裝成功了。

>>> import pypinyin

好，接下來我們看下它的具體功能。

基本拼音

首先我們進行一下基本的拼音轉換，方法非常簡單，直接呼叫 pinyin 方法即可：

from pypinyin import pinyinprint(pinyin('中心'))

執行結果：

[['zhōng'], ['xīn']]

可以看到結果會是一個二維的列表，每個元素都另外成了一個列表，其中包含了每個字的讀音。

那麼如果這個詞是多音字咋辦呢？比如 "朝陽"，它有兩個讀音，我們拿來試下：

from pypinyin import pinyinprint(pinyin('朝陽'))

執行結果：

[['zhāo'], ['yáng']]

好吧，它只給出來了一個讀音，但是如果我們想要另外一種讀音咋辦呢？

其實很簡單，只需新增 heteronym 引數並設定為 True 就好了，我們試下：

from pypinyin import pinyinprint(pinyin('朝陽', heteronym=True))

執行結果：

[['zhāo', 'cháo'], ['yáng']]

OK 了，這下子就顯示出來了兩個讀音了，而且我們也明白了結果為什麼是一個二維列表，因為裡面的一維的結果可能是多個，比如多音字的情況就是這樣。

但這個多少解析起來有點麻煩，很多情況下我們是不需要管多音字的，我們只是用它來轉換一下名字而已，而處理上面的二維陣列又比較麻煩。

所以有沒有一個方法直接給我們一個一維列表呢？有！

我們可以使用 lazy_pinyin 這個方法來生成，嘗試一下：

from pypinyin import pinyinprint(pinyin('聰明的小兔子'))

執行結果：

['cong', 'ming', 'de', 'xiao', 'tu', 'zi']

這時候觀察到得到的是一個列表，並且不再包含音調了。

這裡我們就有一個疑問了，為啥 pinyin 方法返回的結果預設是帶音調的，而 lazy_pinyin 是不帶的，這裡面就涉及到一個風格轉換的問題了。

風格轉換

我們可以對結果進行一些風格轉換，比如不帶聲調風格、標準聲調風格、聲調在拼音之後、聲調在韻母之後、注音風格等等，比如我們想要聲調放在拼音後面，可以這麼來實現：

from pypinyin import lazy_pinyin, Stylestyle = Style.TONE3print(lazy_pinyin('聰明的小兔子', style=style))

執行結果：

['cong1', 'ming2', 'de', 'xiao3', 'tu4', 'zi']

可以看到執行結果每個拼音後面就多了一個聲調，這就是其中的一個風格，叫做 TONE3，其實還有很多風格，下面是我從原始碼裡面找出來的定義：

#: 普通風格，不帶聲調。如： 中國 -> ``zhong guo``NORMAL = 0#: 標準聲調風格，拼音聲調在韻母第一個字母上（預設風格）。如： 中國 -> ``zhōng guó``TONE = 1#: 聲調風格2，即拼音聲調在各個韻母之後，用數字 [1-4] 進行表示。如： 中國 -> ``zho1ng guo2``TONE2 = 2#: 聲調風格3，即拼音聲調在各個拼音之後，用數字 [1-4] 進行表示。如： 中國 -> ``zhong1 guo2``TONE3 = 8#: 聲母風格，只返回各個拼音的聲母部分（注：有的拼音沒有聲母，詳見 `#27`_）。如： 中國 -> ``zh g``INITIALS = 3#: 首字母風格，只返回拼音的首字母部分。如： 中國 -> ``z g``FIRST_LETTER = 4#: 韻母風格，只返回各個拼音的韻母部分，不帶聲調。如： 中國 -> ``ong uo``FINALS = 5#: 標準韻母風格，帶聲調，聲調在韻母第一個字母上。如：中國 -> ``ōng uó``FINALS_TONE = 6#: 韻母風格2，帶聲調，聲調在各個韻母之後，用數字 [1-4] 進行表示。如： 中國 -> ``o1ng uo2``FINALS_TONE2 = 7#: 韻母風格3，帶聲調，聲調在各個拼音之後，用數字 [1-4] 進行表示。如： 中國 -> ``ong1 uo2``FINALS_TONE3 = 9#: 注音風格，帶聲調，陰平（第一聲）不標。如： 中國 -> ``ㄓㄨㄥ ㄍㄨㄛˊ``BOPOMOFO = 10#: 注音風格，僅首字母。如： 中國 -> ``ㄓ ㄍ``BOPOMOFO_FIRST = 11#: 漢語拼音與俄語字母對照風格，聲調在各個拼音之後，用數字 [1-4] 進行表示。如： 中國 -> ``чжун1 го2``CYRILLIC = 12#: 漢語拼音與俄語字母對照風格，僅首字母。如： 中國 -> ``ч г``CYRILLIC_FIRST = 13

有了這些，我們就可以輕鬆地實現風格轉換了。

好，再回到原來的問題，為什麼 pinyin 的方法預設帶聲調，而 lazy_pinyin 方法不帶聲調，答案就是：它們二者使用的預設風格不同，我們看下它的函式定義就知道了：

pinyin 方法的定義如下：

def pinyin(hans, style=Style.TONE, heteronym=False, errors='default', strict=True)

lazy_pinyin 方法的定義如下：

def lazy_pinyin(hans, style=Style.NORMAL, errors='default', strict=True)

這下懂了吧，因為 pinyin 方法預設使用了 TONE 的風格，而 lazy_pinyin 方法預設使用了 NORMAL 的風格，所以就導致二者返回風格不同了。

好了，有了這兩個函式的定義，我們再來研究下其他的引數，比如定義裡面的 errors 和 strict 引數又怎麼用呢？

錯誤處理

在這裡我們先做一個測試，比如我們傳入無法轉拼音的字，比如：

from pypinyin import lazy_pinyinprint(lazy_pinyin('你好☆☆，我是xxx'))

其中包含了星號兩個，還有標點一個，另外還包含了一個 xxx 英文字元，結果會是什麼呢？

['ni', 'hao', '☆☆，', 'wo', 'shi', 'xxx']

可以看到結果中星號和英文字元都作為一個整體並原模原樣返回了。

那麼這種特殊字元可以單獨進行處理嗎？當然可以，這裡就用到剛才提到的 errors 引數了。

errors 引數是有幾種模式的：

• default：預設行為，不處理，原木原樣返回

• ignore：忽略字元，直接拋掉

• replace：直接替換為去掉   \u   的 unicode 編碼

• callable 物件：當傳入一個可呼叫的物件的時候，則可以自定義處理方式。

下面是 errors 這個引數的原始碼實現邏輯：

def _handle_nopinyin_char(chars, errors='default'):    """處理沒有拼音的字元"""    if callable_check(errors):        return errors(chars)    if errors == 'default':        return chars    elif errors == 'ignore':        return None    elif errors == 'replace':        if len(chars) > 1:            return ''.join(text_type('%x' % ord(x)) for x in chars)        else:            return text_type('%x' % ord(chars))

當處理沒有拼音的字元的時候，errors 的不同引數會有不同的處理結果，更詳細的邏輯可以翻看原始碼。

好了，下面我們來嘗試一下，比如我們想將不能轉拼音的字元去掉，則可以這麼設定：

from pypinyin import lazy_pinyinprint(lazy_pinyin('你好☆☆，我是xxx', errors='ignore'))

執行結果：

['ni', 'hao', 'wo', 'shi']

如果我們想要自定義處理，比如把   ☆   轉化為   ※ ，則可以這麼設定：

print(lazy_pinyin('你好☆☆，我是xxx', errors=lambda item: ''.join(['※' if c == '☆' else c for c in item])))

執行結果：

['ni', 'hao', '※※，', 'wo', 'shi', 'xxx']

如上便是一些相關異常處理的操作，我們可以隨心所欲地處理自己想處理的字元了。

嚴格模式

最後再看下 strict 模式，這個引數用於控制處理聲母和韻母時是否嚴格遵循 《漢語拼音方案》 標準。

下面的一些說明來源於官方文件：

當 strict 引數為 True 時根據 《漢語拼音方案》 的如下規則處理聲母、在韻母相關風格下還原正確的韻母：

• 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   （ y, w 不是聲母 ）

• i行的韻母，前面沒有聲母的時候，寫成yi(衣)，ya(呀)，ye(耶)，yao(腰)，you(憂)，yan(煙)， yin(因)，yang(央)，ying(英)，yong(雍)。（ y 不是聲母 ）

• u行的韻母，前面沒有聲母的時候，寫成wu(烏)，wa(蛙)，wo(窩)，wai(歪)，wei(威)，wan(彎)， wen(溫)，wang(汪)，weng(翁)。（ w 不是聲母 ）

• ü行的韻母，前面沒有聲母的時候，寫成yu(迂)，yue(約)，yuan(冤)，yun(暈)；ü上兩點省略。 （ 韻母相關風格下還原正確的韻母 ü ）

• ü行的韻跟聲母j，q，x拼的時候，寫成ju(居)，qu(區)，xu(虛)，ü上兩點也省略； 但是跟聲母n，l拼的時候，仍然寫成nü(女)，lü(呂)。（ 韻母相關風格下還原正確的韻母 ü ）

• iou，uei，uen前面加聲母的時候，寫成iu，ui，un。例如niu(牛)，gui(歸)，lun(論)。 （ 韻母相關風格下還原正確的韻母 iou，uei，uen ）

當 strict 為 False 時就是不遵守上面的規則來處理聲母和韻母， 比如： y ,   w   會被當做聲母，yu(迂) 的韻母就是一般認為的   u   等。

具體差異可以檢視原始碼中 tests/test_standard.py 中的對比結果測試用例。

自定義拼音

如果對庫返回的結果不滿意，我們還可以自定義自己的拼音庫，這裡用到的方法就有 load_single_dict 和 load_phrases_dict 方法了。

比如剛才我們看到 "朝陽" 兩個字的發音預設返回的是 zhao yang，我們想預設返回 chao yang，那可以這麼做：

from pypinyin import lazy_pinyin, load_phrases_dictprint(lazy_pinyin('朝陽'))personalized_dict = {    '朝陽': [['cháo'], ['yáng']]}load_phrases_dict(personalized_dict)print(lazy_pinyin('朝陽'))

這裡我們自定義了一個詞典，然後使用 load_phrases_dict 方法設定了一下就可以了。

執行結果：

['zhao', 'yang']['chao', 'yang']

這樣就可以完成自定義的設定了。

在一些專案裡面我們可以自定義很多拼音庫，然後載入就可以了。

另外我們還可以註冊樣式實現自定義，比如將某個拼音前面加上 Emoji 表情，樣例：

from pypinyin.style import registerfrom pypinyin import lazy_pinyin@register('kiss')def kiss(pinyin, **kwargs):    if pinyin == 'me':        return f'?{pinyin}'    return pinyinprint(lazy_pinyin('麼麼噠', style='kiss'))

執行結果：

['?me', '?me', 'dá']

這裡我們呼叫 register 方法註冊了一個樣式 style，然後轉換的時候指定即可，通過觀察執行結果我們可以發現，這樣我們就可以將 me 字的拼音前面加上 ? 這個 Emoji 表情了。

以上就是 PyPinyin 這個庫的基本用法，更多的用法建議大家看看原始碼或者看 API 文件：https://pypinyin.readthedocs.io/zh_CN/master/api.html。

---

---

About Me

........................................................................................................................ ● 本文作者：小麥苗，部分內容整理自網路，若有侵權請聯絡小麥苗刪除 ● 本文在itpub（ http://blog.itpub.net/26736162 ）、部落格園（ http://www.cnblogs.com/lhrbest ）和個人weixin公眾號（ xiaomaimiaolhr ）上有同步更新 ● 本文itpub地址： http://blog.itpub.net/26736162 ● 本文部落格園地址： http://www.cnblogs.com/lhrbest ● 本文pdf版、個人簡介及小麥苗雲盤地址： http://blog.itpub.net/26736162/viewspace-1624453/ ● 資料庫筆試面試題庫及解答： http://blog.itpub.net/26736162/viewspace-2134706/ ● DBA寶典今日頭條號地址： http://www.toutiao.com/c/user/6401772890/#mid=1564638659405826 ........................................................................................................................ ● QQ群號： 230161599 （滿） 、618766405 ● weixin群：可加我weixin，我拉大家進群，非誠勿擾 ● 聯絡我請加QQ好友 （ 646634621 ） ，註明新增緣由 ● 於 2019-05-01 06:00 ~ 2019-05-30 24:00 在魔都完成 ● 最新修改時間：2019-05-01 06:00 ~ 2019-05-30 24:00 ● 文章內容來源於小麥苗的學習筆記，部分整理自網路，若有侵權或不當之處還請諒解 ● 版權所有，歡迎分享本文，轉載請保留出處 ........................................................................................................................ ● 小麥苗的微店 ： https://weidian.com/s/793741433?wfr=c&ifr=shopdetail ● 小麥苗出版的資料庫類叢書 ： http://blog.itpub.net/26736162/viewspace-2142121/ ● 小麥苗OCP、OCM、高可用網路班 ： http://blog.itpub.net/26736162/viewspace-2148098/ ● 小麥苗騰訊課堂主頁 ： https://lhr.ke.qq.com/ ........................................................................................................................ 使用 weixin客戶端 掃描下面的二維碼來關注小麥苗的weixin公眾號（ xiaomaimiaolhr ）及QQ群（DBA寶典）、新增小麥苗weixin， 學習最實用的資料庫技術。 ........................................................................................................................

 

 

來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/26736162/viewspace-2645039/，如需轉載，請註明出處，否則將追究法律責任。