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.