python - script - Convertir pinyin numerado a pinyin con marcas de tono

python shell commands

Question

¿Existen scripts, bibliotecas o programas que utilicen Python o herramientas BASH (por ejemplo, awk , perl , sed ) que puedan convertir correctamente pinyin numerados (por ejemplo, dian4 nao3) a pinyin UTF-8 con marcas de tono (por ejemplo, diàn nǎo)?

He encontrado los siguientes ejemplos, pero requieren PHP o #C :

• Convertir PHP numerado a acentuado Pinyin?

• C ¿ Alguna biblioteca para convertir el número Pinyin a Pinyin con marcas de tono?

También he encontrado varias herramientas en línea, pero no pueden manejar un gran número de conversiones.

Answer 1

Encontré una macro VBA que lo hace en Microsoft Word, en pinyinjoe.com

Tenía un defecto menor que informé y él respondió que él incorporaría mi sugerencia "tan pronto como pueda" Eso fue a principios de enero de 2014; No he tenido ninguna motivación para verificar, ya que ya está en mi copia.

Answer 2

Escribí otra función de Python que hace esto, que no distingue entre mayúsculas y minúsculas y preserva los espacios, la puntuación y otros textos (a menos que haya falsos positivos, por supuesto):

# -*- coding: utf-8 -*-
import re

pinyinToneMarks = {
    u''a'': u''āáǎà'', u''e'': u''ēéěè'', u''i'': u''īíǐì'',
    u''o'': u''ōóǒò'', u''u'': u''ūúǔù'', u''ü'': u''ǖǘǚǜ'',
    u''A'': u''ĀÁǍÀ'', u''E'': u''ĒÉĚÈ'', u''I'': u''ĪÍǏÌ'',
    u''O'': u''ŌÓǑÒ'', u''U'': u''ŪÚǓÙ'', u''Ü'': u''ǕǗǙǛ''
}

def convertPinyinCallback(m):
    tone=int(m.group(3))%5
    r=m.group(1).replace(u''v'', u''ü'').replace(u''V'', u''Ü'')
    # for multple vowels, use first one if it is a/e/o, otherwise use second one
    pos=0
    if len(r)>1 and not r[0] in ''aeoAEO'':
        pos=1
    if tone != 0:
        r=r[0:pos]+pinyinToneMarks[r[pos]][tone-1]+r[pos+1:]
    return r+m.group(2)

def convertPinyin(s):
    return re.sub(ur''([aeiouüvÜ]{1,3})(n?g?r?)([012345])'', convertPinyinCallback, s, flags=re.IGNORECASE)

print convertPinyin(u''Ni3 hao3 ma0?'')

Answer 3

La biblioteca cjklib cubre sus necesidades:

O use el shell de Python:

>>> from cjklib.reading import ReadingFactory
>>> f = ReadingFactory()
>>> print f.convert(''Bei3jing1'', ''Pinyin'', ''Pinyin'', sourceOptions={''toneMarkType'': ''numbers''})
Běijīng

O simplemente la línea de comando:

$ cjknife -m Bei3jing1
Běijīng

Descargo de responsabilidad: he desarrollado esa biblioteca.

Answer 4

Porté el código de dani_l a Kotlin (el código en java debería ser bastante similar). Va :

import java.util.regex.Pattern
val pinyinToneMarks = mapOf(
    ''a'' to "āáǎà",
    ''e'' to "ēéěè",
    ''i'' to "īíǐì",
    ''o'' to  "ōóǒò",
    ''u'' to "ūúǔù",
    ''ü'' to "ǖǘǚǜ",
    ''A'' to  "ĀÁǍÀ",
    ''E'' to "ĒÉĚÈ",
    ''I'' to "ĪÍǏÌ",
    ''O'' to "ŌÓǑÒ",
    ''U'' to "ŪÚǓÙ",
    ''Ü'' to  "ǕǗǙǛ"
)

fun toPinyin(asciiPinyin: String) :String {
  val pattern = Pattern.compile("([aeiouüvÜ]{1,3})(n?g?r?)([012345])")!!
  val matcher = pattern.matcher(asciiPinyin)
  val s = StringBuilder()
  var start = 0
  while (matcher.find(start)) {
      s.append(asciiPinyin, start, matcher.start(1))
      val tone = Integer.parseInt(matcher.group(3)!!) % 5
      val r = matcher.group(1)!!.replace("v", "ü").replace("V", "Ü")
      // for multple vowels, use first one if it is a/e/o, otherwise use second one
      val pos = if (r.length >1 && r[0].toString() !in "aeoAEO") 1 else 0
      if (tone != 0) s.append(r, 0, pos).append(pinyinToneMarks[r[pos]]!![tone - 1]).append(r, pos + 1, r.length)
      else s.append(r)
      s.append(matcher.group(2))
      start = matcher.end(3)
  }
  if (start != asciiPinyin.length) s.append(asciiPinyin, start, asciiPinyin.length)
  return s.toString()
}

fun test() = print(toPinyin("Ni3 hao3 ma0?"))

Answer 5

Tengo un código de Python 3 que hace esto, y es lo suficientemente pequeño como para poner directamente la respuesta aquí.

PinyinToneMark = {
    0: "aoeiuv/u00fc",
    1: "/u0101/u014d/u0113/u012b/u016b/u01d6/u01d6",
    2: "/u00e1/u00f3/u00e9/u00ed/u00fa/u01d8/u01d8",
    3: "/u01ce/u01d2/u011b/u01d0/u01d4/u01da/u01da",
    4: "/u00e0/u00f2/u00e8/u00ec/u00f9/u01dc/u01dc",
}

def decode_pinyin(s):
    s = s.lower()
    r = ""
    t = ""
    for c in s:
        if c >= ''a'' and c <= ''z'':
            t += c
        elif c == '':'':
            assert t[-1] == ''u''
            t = t[:-1] + "/u00fc"
        else:
            if c >= ''0'' and c <= ''5'':
                tone = int(c) % 5
                if tone != 0:
                    m = re.search("[aoeiuv/u00fc]+", t)
                    if m is None:
                        t += c
                    elif len(m.group(0)) == 1:
                        t = t[:m.start(0)] + PinyinToneMark[tone][PinyinToneMark[0].index(m.group(0))] + t[m.end(0):]
                    else:
                        if ''a'' in t:
                            t = t.replace("a", PinyinToneMark[tone][0])
                        elif ''o'' in t:
                            t = t.replace("o", PinyinToneMark[tone][1])
                        elif ''e'' in t:
                            t = t.replace("e", PinyinToneMark[tone][2])
                        elif t.endswith("ui"):
                            t = t.replace("i", PinyinToneMark[tone][3])
                        elif t.endswith("iu"):
                            t = t.replace("u", PinyinToneMark[tone][4])
                        else:
                            t += "!"
            r += t
            t = ""
    r += t
    return r

Esto maneja ü , u: y v , todos los cuales he encontrado. Se necesitarán modificaciones menores para la compatibilidad con Python 2.