拼音语法检查

本程序是把输入的字符串转化为以空格间隔的拼音串，

如输入“zhongguoren"，则会输出“zhong guo ren".

 

另外程序也利用了Pinyin4j.jar的包，处理开始时先把中文汉字转化为拼音（但对多音字支持不好，如:银行-->yin xing），先不管这个问题。

 

说白本程序就是把输入的英文字符串，按照拼音规则分割，不过其中也遇到一些问题，现在记录下来。其实网上我也找过，不过就是没实现出来。

 

第一种做法：把拼音字典从a ai an ang一直往下读入内存（其实共407个拼音而已），对字符串，从长度为1开始至字符串末尾，不断截取，在拼音字典内二分查找，

若存在，则连接下个字符，继续在拼音字典内二分查找；

若不存在，则证明这是拼音的最大匹配了，就作为结果保存；

直到字符串结束。

（测试多次后发现有bug，bug 1: deng,xiong这类拼音不能识别，加了判断ng结尾（已修正）；

bug 2： 对tian这个拼音识别成： ti  an两个拼音。

本人觉得如果再加判断就会显得很难看。所以放弃这种做法。

 

其中pinyinDict的数据结构是String[]. DictOper.readDict()方法是读文件，并把每一行转化String,最终返回String数组。

拼音字典文件格式如下：

a
ai
an
ang
ao
ba
bai

...

 

 

代码如下：

	/**
	 * 通过拼音字典，二分查找是否存在拼音<br/>
	 * 贪婪算法，最大匹配拼音序列, bug: tiantian会分成ti an ti an
	 * 
	 * @param inputChar
	 * @return
	 * @author chow 2010-8-25 上午10:58:22
	 */
	@Deprecated
	public String _processString(char[] inputChar) {
		String temp = new String(inputChar);
		String[] strArray = temp.split(" ");
		StringBuffer result = new StringBuffer();
		if (pinyinDict == null || pinyinDict.length <= 0) {
			pinyinDict = DictOper.readPYDict();
		}
		for (int i = 0; i < strArray.length; i++) {
			String curStr = strArray[i];
			int curStrLen = curStr.length();
			boolean existWord = false;
			for (int beginIndex = 0, endIndex = 1; endIndex <= curStrLen; endIndex++) {
				String tmpKey = curStr.substring(beginIndex, endIndex);
				int index = Arrays.binarySearch(pinyinDict, tmpKey);
				// int gap = endIndex - beginIndex;
				if (index >= 0) { // 存在，则继续找下个字符
					if (endIndex == curStrLen) {
						result.append(tmpKey + " ");
					} else if (endIndex + 2 <= curStrLen
							&& curStr.substring(endIndex, endIndex + 2).equals(
									"ng")) {
						// 若后面两个字母是ng，则接上去
						result.append(curStr
								.substring(beginIndex, endIndex + 2)
								+ " ");
						beginIndex = endIndex + 2;
						endIndex = beginIndex;
						existWord = false;
						continue;
					}
					existWord = true;
					continue;
				}
				// 不存在且前面一个字符是存在的
				else if (existWord) {
					result.append(curStr.substring(beginIndex, --endIndex));
					result.append(" ");
					beginIndex = endIndex;
					existWord = false;
					continue;
				}
			}
		}
		// System.out.println("result:" + result.toString());
		return result.toString();
	}

 

 

 

第二种做法：

改变拼音字典的数据结构，采用Map<String, List>的格式，如下：

a:[a, ai, an, ang, ao]

b:[ba, bai, ban, bang, bao, bei, ben, beng, bi, bian, biao, bie, bin, bing, bo, bu]

...

 

程序的思想是：从字符串的第一个字符开始，若字符在字典里存在，则取出其对应的拼音串，并从该字符往后截取1个至5个字符，

（如：输入tianxia，第一个字符为't',则取出t:[ta, tai, tan, tang, tao, te, tei, teng, ti, tian, tiao, tie, ting, tong, tou, tu, tuan, tui, tun, tuo],

并截取t, ti, tia, tian, tianx, tianxi 六组字符串，取出最长一个匹配串[tian]，将结果保存，从'tian'的'n'后一个字符开始循环，直至到字符串结束。

 

	/**
	 * 根据Map查找是否存在对应的拼音<br/>
	 * 贪婪算法，最大匹配拼音序列
	 * 
	 * @param inputChar
	 * @return 以空格间隔的拼音字符串，eg: zhong guo ren
	 * @author chow 2010-8-25 上午11:00:07
	 */
	public String _processStringByMap(char[] inputChar) {
		String temp = new String(inputChar);
		temp = PinyinHelper.toHanyuPinyinString(temp, outputFormat, "");
		String[] strArray = temp.split(" ");
		StringBuffer result = new StringBuffer();
		if (pyData == null) {
			pyData = DictOper.getPYData();
		}
		for (int i = 0; i < strArray.length; i++) {
			String curStr = strArray[i];
			int curStrLen = curStr.length();
			int beginIndex = 0, nextWordIndex = 0;
			while (beginIndex < curStrLen) {
				String firstLetter = curStr.substring(beginIndex,
						beginIndex + 1);
				List<String> list = pyData.get(firstLetter);
				if (list == null) {
					beginIndex += 1;
					nextWordIndex = beginIndex;
					continue;
				}
				for (int subLen = 1; subLen <= 6; subLen++) {
					if (beginIndex + subLen > curStrLen) {
						break;
					}
					String piece = curStr.substring(beginIndex, beginIndex
							+ subLen);
					if (list.contains(piece)) {
						nextWordIndex = subLen + beginIndex;
					}
				}
				// 若不存在任何匹配，begin和next都向后移一位
				if (nextWordIndex == beginIndex) {
					beginIndex += 1;
					nextWordIndex = beginIndex;
					continue;
				}
				String subStr = curStr.substring(beginIndex, nextWordIndex);
				result.append(subStr + " ");
				beginIndex = nextWordIndex;
			}
		}
		if (result.length() == 0) {
			result.append(temp);
		}
		return result.toString();
	}

 

做法二可以很好识别拼音串，但回头想想，其实程序还可以优化。

因为每个拼音字母可以组成的拼音的长度范围是可预见的。就是说以't'开头的拼音最短为长度为2（eg: ta），最长为4（eg: tian）；

这时只要改变拼音字典的数据结构就可以了，写个程序统计一下各个拼音最长和最短的长度，更改后的拼音字典为：

a:[a, ai, an, ang, ao]
min:1,max:3

b:[ba, bai, ban, bang, bao, bei, ben, beng, bi, bian, biao, bie, bin, bing, bo, bu]
min:2,max:4

对于min和max可以用Map<String,Integer[]> pyLenMap保存，

 

for (int subLen = 1; subLen <= 6; subLen++) {
					if (beginIndex + subLen > curStrLen) {
						break;
					}

 

对于上面的for循环内的1与6可换成pyLenMap的min和max。

这样程序循环的次数就能更少。

另外附上拼音字典。

不错，很实用的一个东西。

确实不错，希望lz继续完善。

怎么会是二分查找，应该是树结构才对。

算法和分词算法是完全一样的。。。。。。。事实上也就是分词
一样无法回避歧义。比如xian 和 xi an