Skip to content

Latest commit

 

History

History
240 lines (161 loc) · 6.67 KB

README-TRADITIONAL.md

File metadata and controls

240 lines (161 loc) · 6.67 KB

Opencc4j

Opencc4j 支持中文繁簡體轉換，考慮到詞組級別。

Build Status Maven Central Coverage Status Open Source Love

简体中文

Features 特點

  • 嚴格區分「一簡對多繁」和「一簡對多異」。

  • 完全兼容異體字，可以實現動態替換。

  • 嚴格審校一簡對多繁詞條，原則為「能分則不合」。

  • 詞庫和函數庫完全分離，可以自由修改、導入、擴展。

  • 兼容 Windows、Linux、Mac 平台。

  • 支持自定義分詞

  • 支持判斷單個字（詞）是否為簡體/繁體

  • 支持返回字符串中簡體/繁體的列表信息

變更日誌

測試代碼

見 test 文件夾。

可以用來學習相關方法的使用方式。

創作緣由

  • OpenCC

OpenCC 的思想非常優秀，做的也特別棒。但是沒有特別為 java 提供的工具。

  • jopencc

jopencc 沒有提供分詞功能。

快速開始

maven 引入

<dependency>
    <groupId>com.github.houbb</groupId>
    <artifactId>opencc4j</artifactId>
    <version>1.6.1</version>
</dependency>

api 概覽

工具類方法參見 ZhConverterUtil 工具類。

核心方法如下：

序號 api 方法 簡介
1 toSimple(String) 轉為簡體
2 toTraditional(String) 轉為繁體
3 simpleList(String) 返回簡體列表
4 traditionalList(String) 返回繁體列表
5 isSimple(String) 是否為簡體
6 isTraditional(String) 是否為繁體

以上所有方法都有一個 Segment 參數，可以用於自定義中文分詞策略。

繁簡體轉換

轉為簡體

String original = "生命不息，奮鬥不止";
String result = ZhConverterUtil.toSimple(original);
Assert.assertEquals("生命不息，奋斗不止", result);

轉為繁體

String original = "生命不息，奋斗不止";
String result = ZhConverterUtil.toTraditional(original);
Assert.assertEquals("生命不息，奮鬥不止", result);

繁簡體判斷

對單個字符或者詞組進行繁簡體判斷。

是否為簡體

final String simpleChar = "奋";
final String simplePhrase = "奋斗";
final String traditionalChar = "奮";
final String traditionalPhrase = "奮鬥";

Assert.assertTrue(ZhConverterUtil.isSimple(simpleChar));
Assert.assertTrue(ZhConverterUtil.isSimple(simplePhrase));
Assert.assertFalse(ZhConverterUtil.isSimple(traditionalChar));
Assert.assertFalse(ZhConverterUtil.isSimple(traditionalPhrase));

是否為繁體

final String simpleChar = "奋";
final String simplePhrase = "奋斗";
final String traditionalChar = "奮";
final String traditionalPhrase = "奮鬥";

Assert.assertTrue(ZhConverterUtil.isTraditional(traditionalChar));
Assert.assertTrue(ZhConverterUtil.isTraditional(traditionalPhrase));
Assert.assertFalse(ZhConverterUtil.isTraditional(simpleChar));
Assert.assertFalse(ZhConverterUtil.isTraditional(simplePhrase));

繁簡體列表返回

返回字符串中繁簡體對應的詞、字列表，默認支持中文分詞。

繁簡體列表返回的詞組和分詞策略緊密相關。

簡體列表

final String original = "生命不息奋斗不止";
final List<String> resultList = ZhConverterUtil.simpleList(original);

Assert.assertEquals("[生, 命, 不, 息, 奋斗, 不, 止]", resultList.toString());

繁體列表

final String original = "生命不息奮鬥不止";
final List<String> resultList = ZhConverterUtil.traditionalList(original);

Assert.assertEquals("[奮, 鬥]", resultList.toString());

中文分詞策略

系統內置分詞方式

你可以通過 Segments 工具類獲取系統內置的分詞實現。

序號 方法 準確性 性能 備註
1 defaults() 高 高 默認分詞形式，暫時為 fastForward 策略
2 fastForward() 較高 高 fast-forward 分詞策略
3 chars() 低 高 將字符串轉換為單個字符列表，一般不建議使用
4 huaBan() 高 一般 花瓣的結巴分詞策略

花瓣結巴分詞

花瓣結巴分詞在使用時，需要自行引入結巴分詞依賴。

<dependency>
    <groupId>com.huaban</groupId>
    <artifactId>jieba-analysis</artifactId>
    <version>1.0.2</version>
</dependency>

自定義

你有時候可能除了上述的兩種分詞方式，會有更加適合自己業務的分詞實現。

Opencc4j 支持自定義分詞實現，只需要實現分詞接口 Segment

  • 接口內容
public interface Segment {

    /**
    * 分詞
    * @param original 原始信息
    * @return 分詞後的列表
    */
    List<String> seg(final String original);

}

測試代碼

自定義分詞實現類

/**
* 一個最簡單的分詞實現。
* 注意：僅僅做演示，不可實際使用。
*/
public class FooSegment implements Segment {
    @Override
    public List<String> seg(String original) {
        return Arrays.asList(original, "测试");
    }
}

分詞測試

我們自定義的分詞，直接在默認添加“測試”這樣的信息。

final String original = "寥落古行宫，宫花寂寞红。白头宫女在，闲坐说玄宗。";
final Segment segment = new FooSegment();
final String result = ZhConverterUtil.toTraditional(original, segment);

Assert.assertEquals("寥落古行宮，宮花寂寞紅。白頭宮女在，閒坐說玄宗。測試", result);

技術鳴謝

OpenCC

OpenCC 提供的原始數據信息。

花瓣

jieba-analysis 提供中文分詞

Issues & Bugs

需求和 BUG 在這裡，歡迎提供寶貴的建議。

如果對您有幫助，歡迎 Star 鼓勵作者。