Java汉字转拼音实现方式

男娘i 2022-10-17 04:26 202阅读 0赞

介绍下Java中实现汉字转拼音的实现方式。

--------------------

#  **█ **Unicode #

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl81MDUxODI3MQ_size_16_color_FFFFFF_t_70][]

**Unicode**就是将各国的文字用一个唯一的不重复的**2个字节16进制编码**来表示，其中包含了日文、韩文与中文字等等文字。比如汉字：一，Unicode编码为：4e00。则汉字“一”唯一对应的编码为“4e00”，“4e00”唯一表示的字符也为“一”，即“一”与“4e00”是相互对应的。

**Unicode字符集：**

查看Unicode字符集，请戳《[Unicode字符集][Unicode]》

中文的Unicode编码范围：4E00-9FA5

（Unicode不区分大小写，9FA5与9fa5相同）

网页截图示例：

4E00：一；4E01：丁；

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl81MDUxODI3MQ_size_16_color_FFFFFF_t_70 1][]

--------------------

# **█ 汉字转拼音** #

（1）将Unicode编码与拼音做对应关系

有了Unicode字符集，我们便很容易地就能知道每一个汉字对应的编码了，每个汉字的拼音我们也是知道的，因此便能够得出每一个编码对应的拼音，比如4E00表示汉字“一”，“一”的拼音为“yi”，因此4E00对应"yi"。同理可得4E01对应"ding"。

（2）汉字转拼音

由于Unicode中的字符编码是16进制的，因此我们需要将中文转换成16进制。使用Java提供的API可以完成转换。

①**String\#toCharArray**，将字符串转换成char数组。

②**Integer\#toHexString**，将char转换成16进制。

String str = "你好，中国";
    char[] charArray = str.toCharArray();
    StringBuilder sb = new StringBuilder();
    for (char c : charArray) {
        String string = Integer.toHexString(c);
        sb.append(string).append(" ");
    }
    System.out.println("Unicode编码为："+sb.toString());

![20210601191402284.png][]

可以验证下输出的结果是否正确，去Unicode表中查询“你好，中国”对应的编码是否为输出结果。

![20210601191424159.png][]

![20210601191436917.png][]

![20210601191452777.png][]

![20210601191506349.png][]

③找到Unicode对应的拼音

我们简单地维护下“你好中国”四个字的Unicode对应的拼音。

使用Map来维护Unicode对应的拼音，Map的key为Unicode编码，value为其对应的拼音。（这里的Unicode为全小写，转换的时候要注意对应，否则匹配不上）

public static Map<String, String> map = new HashMap<>();
    
    static {
        map.put("4f60", "ni");
        map.put("597d", "hao");
        map.put("4e2d", "zhong");
        map.put("56fd", "guo");
    }

String str = "你好，中国";
    char[] charArray = str.toCharArray();
    StringBuilder sb = new StringBuilder();
    for (char c : charArray) {
        // 因为我维护的Unicode编码都是小写的，所以这里统一转小写以便匹配
        String unicode = Integer.toHexString(c).toLowerCase();
        String pinyin = map.get(unicode);
        if (pinyin != null) {// 可以查询对应的拼音
            sb.append(pinyin);
        } else {// 查询不到对应的拼音，比如字符不是中文等
            sb.append(c);
        }
    }
    System.out.println("拼音为："+sb.toString());

![2021060119155549.png][]

④源字符串要为UTF-8编码

对于例子中的“你好，中国”字符串，需要为UTF-8编码，否则会出现乱码，对应的Unicode值就不对的。（String对象创建时可以指定编码，不指定则使用默认编码UTF-8）

String str1 = new String("你好".getBytes());
    String str2 = new String("你好".getBytes(), Charset.forName("GBK"));
    System.out.println("str1="+str1);
    System.out.println("str2="+str2);
    
    char[] charArray1 = str1.toCharArray();
    String str1Unicode = "";
    for (char c : charArray1) {
        str1Unicode+=Integer.toHexString(c);
    }
    System.out.println("str1 unicode="+str1Unicode);
    
    char[] charArray2 = str2.toCharArray();
    String str2Unicode = "";
    for (char c : charArray2) {
        str2Unicode+=Integer.toHexString(c);
    }
    System.out.println("str2 unicode="+str2Unicode);

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl81MDUxODI3MQ_size_16_color_FFFFFF_t_70 2][]

**问题：**

（1）对于多音字如何解决？

比如音乐、快乐。在“音乐”中，“乐”的拼音为“yue”；在“快乐”中，“乐”的拼音为“le”。乐的发音不同，如何能匹配到正确的发音对应的拼音呢？难道不会使用穷举法将多音字的所有词组的正确发音都列举出来吧，比如“音乐”记录成“yinyue”，“快乐”记录成“kuaile”。

--------------------

**总结：**

汉字转拼音，就是借助Unicode编码，汉字与Unicode存在关系，汉字和拼音也存在关系，所以Unicode编码也与拼音存在关系。维护Unicode与拼音的对应关系。转换的时候，将汉字转Unicode，根据Unicode与拼音的对应关系可以找到其对应的拼音，这样自然就找到了汉字对应的拼音了。

*推荐一个Java工具包，里面有汉字转拼音的工具类。不过它貌似也没有解决多音字的问题。*

<dependency>
       <groupId>com.belerweb</groupId>
       <artifactId>pinyin4j</artifactId>
       <version>2.5.0</version>
    </dependency>

其在文件中维护了Unicode与拼音的关系，如下所示。最后的数字表示拼音的声调，比如ling2，则表示ling，第二声。

3007 (ling2)
    4E00 (yi1)
    4E01 (ding1,zheng1)
    4E02 (kao3)
    4E03 (qi1)
    4E04 (shang4,shang3)
    4E05 (xia4)
    4E06 (none0)

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl81MDUxODI3MQ_size_16_color_FFFFFF_t_70]: /images/20221014/21ebbc8a02d6429a83abcd5d54f36669.png
[Unicode]: https://unicode-table.com/en/
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl81MDUxODI3MQ_size_16_color_FFFFFF_t_70 1]: /images/20221014/9de38900e6cb48b2bc3b9c38eeb3e67f.png
[20210601191402284.png]: /images/20221014/8670703fdbeb4ba595bc34d3da8ccf40.png
[20210601191424159.png]: /images/20221014/2ce7330cf27d4cee96797f95564d9dd6.png
[20210601191436917.png]: /images/20221014/79b4fb494ad945cd9998ca69dcc0b843.png
[20210601191452777.png]: /images/20221014/b17db8e673624865825044d329e982e7.png
[20210601191506349.png]: /images/20221014/4e06f07f868b47d9aced66c2bf14b2cd.png
[2021060119155549.png]: /images/20221014/2a3dcfac4b764e5e912a80d704ee2e2c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl81MDUxODI3MQ_size_16_color_FFFFFF_t_70 2]: /images/20221014/6dbc1c9d0bad4ad78a31cbd748ea886c.png