如何使用Python為生僻字批量注音

裝13的冷場

“龍生九子，各不相同…”

囚牛、睚眥、嘲風、蒲牢、狻猊、霸下、狴犴、負屃、螭吻。

都說提筆忘字丟人，可至少還有提筆的機會。隨著信息化時代的普及，原來越多的人成了半文盲。怎么說？電腦前打字敲的一二一，可提起筆來就忘字。從前特別喜歡鋼筆，筆袋里放的凌美、百利、永生、英雄一堆，買的北碳、畢加索、派克、百利金各式牌子的墨水。結果感覺半年多都沒動過這些陳年老貨了。

下午聊天裝13說到龍生九子，本來吹得正歡，結果朋友問老七 bì àn怎么寫，然后…瞬間懵逼了，這個13裝的有點冷場啊。

最近項目有些忙，晚上構思該寫點什么。想到下午的尷尬，決定發一篇之前寫的Python為生僻字歌詞注音的文章。

抖音配樂—生僻字

首次聽到生僻字就是從抖音了，隨著生僻字配樂使用的人越來越多，很多人翻唱、模仿甚至有講解成語出處和寓意的段子，可謂百家爭鳴。

但，有一類視頻很不討喜，就是把歌詞用諧音字代替，好讓人一眼認識。

如果是那些哈韓哈日的朋友們，想唱歌但又沒有語言基礎，那你配上諧音的字沒毛病。可歌詞中的成語和漢字就是老祖宗傳下來的文化，你卻用諧音字去讓自己容易辨識，不覺得臉紅嗎？

如果不認識，你可以查字典，找度娘，然后標注上拼音啊！即娛樂又長知識了。

當然有人覺得這樣一個一個的查太麻煩，那是因為——你不會Python啊！

今天，我就來教教你們，怎么把文本內容自動標注拼音。

Python的拼音模塊

Python的模塊庫API，每次進去習慣第一動作，就是右鍵翻譯為中文。（好羞愧，個人太愛國了，所以一直排斥學英語，好不要臉的借口…）可Python的拼音模塊不需要這么做，因為涉及拼音等模塊肯定和中文有關系，文檔自然是中文的嘍。

那么Python的拼音模塊是什么？ pypinyin

特性

根據詞組智能匹配最正確的拼音。

支持多音字。

簡單的繁體支持, 注音支持。

支持多種不同拼音/注音風格。

安裝

pip install pypinyin

使用示例

>>> from pypinyin import pinyin, lazy_pinyin, Style

>>> pinyin('中心')

[['zhōng'], ['xīn']]

>>> pinyin('中心', heteronym=True) ?# 啟用多音字模式

[['zhōng', 'zhòng'], ['xīn']]

>>> pinyin('中心', style=Style.FIRST_LETTER) ?# 設置拼音風格

[['z'], ['x']]

>>> pinyin('中心', style=Style.TONE2, heteronym=True)

[['zho1ng', 'zho4ng'], ['xi1n']]

>>> pinyin('中心', style=Style.BOPOMOFO) ?# 注音風格

[['ㄓㄨㄥ'], ['ㄒㄧㄣ']]

>>> pinyin('中心', style=Style.CYRILLIC) ?# 俄語字母風格

[['чжун1'], ['синь1']]

>>> lazy_pinyin('中心') ?# 不考慮多音字的情況

['zhong', 'xin']

# Python 3(Python 2 下把 '中心' 替換為 u'中心' 即可):

實現分析

起初想著，既然有了這個強大的拼音模塊，那么文本批量添加拼音，豈不是分分鐘的事情了嗎？然后，打臉接踵而來！

首先，要實現文字上一一對應的標注拼音，每個字與拼音的長度肯定不同，沒辦法對其。如果要對其，就得將文字進行拆分，字與字之間添加間距。有人說簡單啊，每個字的拼音最多不過6位，那我們使用列表解析式[i.just(6) for i in line]不就完了？

聽起來沒毛病，但是…

歌詞也有語氣詞啊，這句Wu 又雙叒叕你直接按照字符串拆開成了什么鬼

一個中文在文本中占兩個字符的長度，如果對齊的話，還需要識別中文和英文字符！

有效字符的辨識，Wu被認為是是個有效字段，模塊會對其進行合并

pinyin(‘Wu 又雙叒叕’) —>[[‘Wu ‘], [‘yòu’], [‘shuāng’], [‘ruò’], [‘zhuó’]]

中文識別

本來考慮使用正則去判斷中文的，因為網上查到正則的匹配中文是[\u4e00-\u9fa5],簡單測試了下，貌似沒毛病

然后…代碼都快寫完了發現有些生僻字不再這個范圍內，我擦！

'\u4e00'<='生'<='\u9fa5'

True

'\u4e00'<='僻'<='\u9fa5'

True

'\u4e00'<='字'<='\u9fa5'

True

'\u4e00'<='?'<='\u9fa5'

False

解決辦法

針對正則匹配問題，深入去研究，就脫離了學Python的初衷，即便解決了也收獲甚微，不如換個思路。

utf-8字符編碼下，一個中文字符占3個字節，但是字符的長度僅為1，那么解析中文的方式是否可以變通為：

len(bytes(str,'utf-8) == 3 and len(string) == 1)

關于文本書寫，我們判斷中文后，如果是漢字str.ljust(5),否則str.ljust(6)不就行了(因為一個漢字占兩個字符長度)。

代碼實現

# -*- coding: utf-8 -*-

# @Author ?: 王翔

# @公眾號 ? : 清風Python

# @WeChat ?: King_Uranus

# @Date ? ?: 2019/9/6 01:33

# Software : PyCharm

# version ?：Python 3.7.3

# @File ? ?: TextAddPinyin.py

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)

# 行內容轉拼音

_pinyin = ''.join(map(lambda x: x[0].ljust(6), pinyin(_new_line)))

# 根據中英文,將行內容進行字符與漢字的拆分

_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()

看看最后的實現效果吧，是不是格式很工整！

錄屏軟件為LICEcap

它是一款屏幕錄制工具，支持導出 GIF 動畫圖片格式，輕量級、使用簡單，錄制過程中可以隨意改變錄屏范圍。

好了，今天的內容就到這里，希望大家喜歡，如果覺得文章有用，記得關注支持我啊。

The End

本文來自“清風Python”公眾號

python

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。