Awesome
pinyin
pinyin 是 java 实现的高性能中文拼音转换工具。
创作目的
想为 java 设计一款便捷易用的拼音工具。
如何为 java 设计一款高性能的拼音转换工具 pinyin4j
特性
-
极简的 api 设计
-
支持转换长文本
-
支持多音字
-
支持多种拼音标注方式
-
支持中文分词
-
支持中文繁简体
-
支持自定义拼音词库
-
支持判断是否为同音字
-
支持同音字
v0.4.0 主要变更
- 更新依赖版本,移除控台日志
快速开始
准备
jdk 1.7+
maven 引入
<dependency>
<groupId>com.github.houbb</groupId>
<artifactId>pinyin</artifactId>
<version>0.4.0</version>
</dependency>
快速开始
方法概览
方法 | 返回值 | 说明 |
---|---|---|
toPinyin(String) | String | 文本转换为拼音 |
toPinyin(String, PinyinStyleEnum) | String | 文本转换为拼音,可指定拼音样式 |
toPinyin(String, PinyinStyleEnum, String) | String | 文本转换为拼音,可指定拼音样式,可指定连接符号 |
toPinyinList(char) | List<String> | 返回汉字所有拼音列表 |
toPinyinList(char, PinyinStyleEnum) | List<String> | 返回汉字所有拼音列表,指定拼音样式 |
hasSamePinyin(char, char) | boolean | 判断两个汉字是否有相同的读音 |
samePinyinMap(char) | Map<String, List<String>> | 返回汉字的同音字MAP,key 为拼音 NUM_LAST 模式 |
samePinyinList(String) | List<String> | 返回拼音 NUM_LAST 模式对应的同音字 |
返回中文的拼音
使用 PinyinHelper.toPinyin(string)
进行中文转换。
String pinyin = PinyinHelper.toPinyin("我爱中文");
Assert.assertEquals("wǒ ài zhōng wén", pinyin);
返回多音字列表
使用 PinyinHelper.toPinyinList(char)
获取多音字的读音列表。
List<String> pinyinList = PinyinHelper.toPinyinList('重');
Assert.assertEquals("[zhòng, chóng, tóng]", pinyinList.toString());
分词特性
默认支持中文分词,对用户透明。
String pinyin = PinyinHelper.toPinyin("重庆火锅");
Assert.assertEquals("chóng qìng huǒ guō", pinyin);
String pinyin2 = PinyinHelper.toPinyin("分词也很重要");
Assert.assertEquals("fēn cí yě hěn zhòng yào", pinyin2);
指定拼音标注形式
api
/**
* 转换为拼音
* @param string 原始信息
* @param styleEnum 样式枚举
* @return 结果
* @since 0.0.3
*/
public static String toPinyin(final String string, final PinyinStyleEnum styleEnum)
PinyinStyleEnum 样式枚举
枚举 | 说明 | 例子 |
---|---|---|
DEFAULT | 默认模式,拼音声调在韵母第一个字母上。 | pīn yīn |
NORMAL | 普通模式,即不带声调。 | pin yin |
NUM_LAST | 数字标注模式,即拼音声调以数字形式在各个拼音之后,用数字 1-5 进行表示。 | pin1 yin1 |
FIRST_LETTER | 首字母模式,只返回拼音的首字母部分。 | p y |
INPUT | 键盘输入模式,使用 v 替代 ü。 | nv hai |
测试案例
DEFAULT
String pinyin = PinyinHelper.toPinyin("我爱中文", PinyinStyleEnum.DEFAULT);
Assert.assertEquals("wǒ ài zhōng wén", pinyin);
NORMAL
String pinyin = PinyinHelper.toPinyin("我爱中文", PinyinStyleEnum.NORMAL);
Assert.assertEquals("wo ai zhong wen", pinyin);
NUM_LAST
String pinyin = PinyinHelper.toPinyin("我爱中文", PinyinStyleEnum.NUM_LAST);
Assert.assertEquals("wo3 ai4 zhong1 wen2", pinyin);
FIRST_LETTER
String pinyin = PinyinHelper.toPinyin("我爱中文", PinyinStyleEnum.FIRST_LETTER);
Assert.assertEquals("w a z w", pinyin);
指定连接符号
有时候使用者希望指定特定的连接符号。
final String text = "我爱中文";
Assert.assertEquals("wazw", PinyinHelper.toPinyin(text, PinyinStyleEnum.FIRST_LETTER, StringUtil.EMPTY));
第三个参数用于指定一个非 null 的字符串作为拼音连接符号。 (默认是空格进行连接)
更多特性
是否为同音字
PinyinHelper.hasSamePinyin()
用来判断两个汉字是否为同音字,包括对多音字的处理。
char one = '花';
char two = '重';
char three = '中';
char four = '虫';
Assert.assertFalse(PinyinHelper.hasSamePinyin(one, three));
Assert.assertTrue(PinyinHelper.hasSamePinyin(two, three));
Assert.assertTrue(PinyinHelper.hasSamePinyin(two, four));
支持繁体中文
本框架支持繁体中文获取对应拼音。
当然你也可以使用 opencc4j 统一转换为简体再做拼音获取,从而提高准确率。
String pinyin = PinyinHelper.toPinyin("奮斗");
Assert.assertEquals("fèn dòu", pinyin);
同音字
同音字 map
返回一个汉字,所有拼音对应的同音字列表。
final char hanzi2 = '重';
Map<String,List<String>> map2 = PinyinHelper.samePinyinMap(hanzi2);
对应的同音字结果为:
{tong2=[㠉, 㠽, 㣚, 㣠, 㤏, 㮔, 㸗, 㼧, 㼿, 䂈, 䆚, 䮵, 䳋, 䴀, 䶱, 仝, 佟, 侗, 偅, 僮, 勭, 同, 哃, 垌, 峂, 峒, 峝, 庝, 彤, 晍, 曈, 朣, 桐, 橦, 氃, 洞, 浵, 湩, 潼, 烔, 燑, 爞, 犝, 狪, 獞, 痌, 眮, 瞳, 砼, 硐, 硧, 秱, 穜, 童, 筒, 筩, 粡, 絧, 膧, 艟, 茼, 蚒, 蜼, 蟲, 衕, 詷, 赨, 酮, 重, 鉖, 鉵, 銅, 铜, 餇, 鮦, 鲖, 鼕, 𠖄, 𡦜, 𢈉, 𢏕, 𢓘, 𣑸, 𣪯, 𤱇, 𤺄, 𥩌, 𥫂, 𦏆, 𦒍, 𦨴, 𧇌, 𧊚, 𧋒, 𧋚, 𧌝, 𧳆, 𨚯, 𨜳, 𨝯, 𨠌, 𩍅, 𩩅, 𩻡, 𪀭, 𫍣], zhong4=[㐺, 㲴, 㼿, 䱰, 中, 乑, 仲, 众, 偅, 堹, 妕, 媑, 狆, 眾, 祌, 种, 種, 穜, 筗, 緟, 茽, 蚛, 蟲, 衆, 衶, 衷, 褈, 諥, 踵, 重, 𠱧, 𡥿, 𢝆, 𣱧, 𤚏, 𥻝, 𦌋, 𦔉, 𧬤, 𧳮, 𨉢, 𩾋, 𩿀], chong2=[㓽, 㹐, 䌬, 䖝, 䳯, 崇, 崈, 漴, 烛, 爞, 痋, 种, 種, 緟, 茧, 虫, 蝩, 蟲, 褈, 酮, 重, 隀, 𡿂, 𢖄, 𢝈, 𣐯, 𧝎, 𨛱, 𩅃, 𩌨, 𩜖, 𩞉, 𩞋]}
每一个读音作为 key,对应的同音字作为 list。
当然,有时候我们希望获取指定拼音的同音字列表。
同音字 List
final String pinyinNumLast = "zhong4";
List<String> pinyinList = PinyinHelper.samePinyinList(pinyinNumLast);
对应结果:
[㐺, 㲴, 㼿, 䱰, 中, 乑, 仲, 众, 偅, 堹, 妕, 媑, 狆, 眾, 祌, 种, 種, 穜, 筗, 緟, 茽, 蚛, 蟲, 衆, 衶, 衷, 褈, 諥, 踵, 重, 𠱧, 𡥿, 𢝆, 𣱧, 𤚏, 𥻝, 𦌋, 𦔉, 𧬤, 𧳮, 𨉢, 𩾋, 𩿀]
自定义拼音词库
已有的词库很难满足各种各样的场景,本工具提供自定义拼音词库的功能。
自定义单个字的拼音
自定义字典
自定义 resources/pinyin_dict_char_define.txt
文件内容,格式如下:
莪:wǒ
噯:ài,āi,ǎi
汉字与拼音使用英文:
分割,多音字使用英文,
做拼音的分割。
测试
String pinyin = PinyinHelper.toPinyin("莪");
Assert.assertEquals("wǒ", pinyin);
自定义词组的拼音
自定义字典
自定义 resources/pinyin_dict_phrase_define.txt
文件内容,格式如下:
褈慶炎鍋:chóng qìng huǒ guō
测试
以一串火星文为例。
String pinyin = PinyinHelper.toPinyin("莪噯褈慶炎鍋");
Assert.assertEquals("wǒ ài chóng qìng huǒ guō", pinyin);
注意点
-
仅支持汉语的自定义拼音。
-
为了保持功能的一致性,如果你自定义的是繁体字(词),对应的简体也会变成自定义注音。
Benchmark
测试代码见 BenchmarkTest.java
性能对比时使用相同的机器,相同测试文本,验证相同的次数。
均提前做好预热处理,可供参考。
对比 pinyin4j 版本为 v2.5.1
单个分词
对比函数 | 对比次数 | 对比内容 | 耗时 |
---|---|---|---|
Pinyin4j toHanyuPinyinStringArray() | 100w 次 | 相同文本随机选择一个字符 | 650 ms |
pinyin toPinyin() | 100w 次 | 相同文本随机选择一个字符 | 410 ms |
字符串分词
对比函数 | 对比次数 | 对比内容 | 耗时 |
---|---|---|---|
Pinyin4j toHanyuPinyinString() | 1w 次 | 相同长文本 | 26324 ms |
pinyin toPinyin() | 1w 次 | 相同长文本 | 16260 ms |
pinyin toPinyin() | 1w 次 | 相同长文本, chars 分词模式 | 14804 ms |
pinyin4j 的汉语字符串转换是不支持分词的,本项目在支持分词的情况下速度基本是 pinyin4j 的两倍。
技术鸣谢
pinyin-data 与 phrase-pinyin-data 提供的拼音数据。
segment 提供的中文分词。
NLP 开源矩阵
后期 Road-Map
-
键盘输入拼音形式支持
-
引导类开放分词的自定义配置
-
同音字列表返回
-
同韵字列表返回
-
音近字
-
拼音转汉字