NLP入门（七）中文预处理之繁简体转换及获取拼音

ゝ一世哀愁。 2022-03-21 11:39 155阅读 0赞

在日常的中文NLP中，经常会涉及到中文的繁简体转换以及拼音的标注等问题，本文将介绍这两个方面的实现。  
  首先是中文的繁简体转换，不需要使用额外的Python模块，至需要以下两个Python代码文件即可：

*  [langconv.py][] 地址： [https://raw.githubusercontent.com/skydark/nstools/master/zhtools/langconv.py][https_raw.githubusercontent.com_skydark_nstools_master_zhtools_langconv.py]
 *  zh\_wiki.py 地址：[https://raw.githubusercontent.com/skydark/nstools/master/zhtools/zh\_wiki.py][https_raw.githubusercontent.com_skydark_nstools_master_zhtools_zh_wiki.py]

示例代码如下（将代码文件与langconv.py与zh\_wiki.py放在同一目录下）：

from langconv import *
    
    # 转换繁体到简体
    def cht_2_chs(line):
        line = Converter('zh-hans').convert(line)
        line.encode('utf-8')
        return line
    
    line_cht= ''' 台北市長柯文哲今在臉書開直播，先向網友報告自己3月16日至24日要出訪美國東部4城市，接著他無預警宣布， 2月23日要先出訪以色列，預計停留4至5天。雖他強調台北市、以色列已在資安方面有所交流，也可到當地城市交流、 參觀產業創新等內容，但柯也說「也是去看看一個小國在這麼惡劣環境，howtosurvive，他的祕訣是什麼？」這番話， 也被解讀，頗有更上層樓、直指總統大位的思維。 '''
    
    line_cht = line_cht.replace('\n', '')
    ret_chs = cht_2_chs(line_cht)
    print(ret_chs)
    
    # 转换简体到繁体
    def chs_2_cht(sentence):
        sentence = Converter('zh-hant').convert(sentence)
        return sentence
    
    line_chs = '忧郁的台湾乌龟'
    line_cht = chs_2_cht(line_chs)
    print(line_cht)

输出的结果如下：

> 台北市长柯文哲今在脸书开直播，先向网友报告自己3月16日至24日要出访美国东部4城市，接着他无预警宣布，2月23日要先出访以色列，预计停留4至5天。虽他强调台北市、以色列已在资安方面有所交流，也可到当地城市交流、参观产业创新等内容，但柯也说「也是去看看一个小国在这么恶劣环境，howtosurvive，他的祕诀是什么？」这番话，也被解读，颇有更上层楼、直指总统大位的思维。  
> 憂郁的臺灣烏龜

接着是获取中文汉字的拼音，这方面的Python模块有xpinyin, pypinyin等。本文以xpinyin为例，展示如何获取汉字的拼音。示例代码如下：

from xpinyin import Pinyin
    
    p = Pinyin()
    
    # 默认分隔符为-
    print(p.get_pinyin("上海"))
    
    # 显示声调
    print(p.get_pinyin("上海", tone_marks='marks'))
    print(p.get_pinyin("上海", tone_marks='numbers'))
    
    # 去掉分隔符
    print(p.get_pinyin("上海", ''))
    # 设为分隔符为空格
    print(p.get_pinyin("上海", ' '))
    
    # 获取拼音首字母
    print(p.get_initial("上"))
    print(p.get_initials("上海"))
    print(p.get_initials("上海", ''))
    print(p.get_initials("上海", ' '))

输出结果如下：

shang-hai
    shàng-hǎi
    shang4-hai3
    shanghai
    shang hai
    S
    S-H
    SH
    S H

本次分享到此结束，感谢大家阅读~

注意：本人现已开通微信公众号： Python爬虫与算法（微信号为：easy\_web\_scrape）， 欢迎大家关注哦~~

[langconv.py]: http://langconv.py
[https_raw.githubusercontent.com_skydark_nstools_master_zhtools_langconv.py]: https://raw.githubusercontent.com/skydark/nstools/master/zhtools/langconv.py
[https_raw.githubusercontent.com_skydark_nstools_master_zhtools_zh_wiki.py]: https://raw.githubusercontent.com/skydark/nstools/master/zhtools/zh_wiki.py