HanLP极致简繁转换-白红宇

HanLP极致简繁转换

阅读量：6138 次

发布时间：2019-06-21

本文共 4100 字，大约阅读时间需要 13 分钟。

谈起简繁转换，许多人以为是小意思，按字转换就行了。事实上，汉语历史悠久，地域复杂，发展至今在字符级别存在“一简对多繁”和“一繁对多简”，在词语级别上存在“简繁分歧词”，在港澳台等地则存在“字词习惯不同”的情况。为此，HanLP新增了“简体”“繁体”“臺灣正體”“香港繁體”间的相互转换功能，力图将简繁转换做到极致。

HanLP极致简繁转换

关于这些汉语语言上的详情，请参考郭家寶的OpenCC项目。HanLP整合了该项目的词库，用原生的AhoCorasickDoubleArrayTrie算法实现了各语言分支的转换。对于简繁转换模块来说，算法都是类似的，最宝贵的地方在于词库，在此向OpenCC表示敬意和感谢！

快速上手

一个Demo

System.out.println(HanLP.convertToTraditionalChinese("“以后等你当上皇后，就能买草莓庆祝了”。发现一根白头发"));

System.out.println(HanLP.convertToSimplifiedChinese("憑藉筆記簿型電腦寫程式HanLP"));

// 简体转台湾繁体

System.out.println(HanLP.s2tw("hankcs在台湾写代码"));

// 台湾繁体转简体

System.out.println(HanLP.tw2s("hankcs在臺灣寫程式碼"));

// 简体转香港繁体

System.out.println(HanLP.s2hk("hankcs在香港写代码"));

// 香港繁体转简体

System.out.println(HanLP.hk2s("hankcs在香港寫代碼"));

// 香港繁体转台湾繁体

System.out.println(HanLP.hk2tw("hankcs在臺灣寫代碼"));

// 台湾繁体转香港繁体

System.out.println(HanLP.tw2hk("hankcs在香港寫程式碼"));

// 香港/台湾繁体和HanLP标准繁体的互转

System.out.println(HanLP.t2tw("hankcs在臺灣寫代碼"));

System.out.println(HanLP.t2hk("hankcs在臺灣寫代碼"));

System.out.println(HanLP.tw2t("hankcs在臺灣寫程式碼"));

System.out.println(HanLP.hk2t("hankcs在台灣寫代碼"));

输出

「以後等你當上皇后，就能買草莓慶祝了」。發現一根白頭髮

凭借笔记本电脑写程序HanLP

hankcs在臺灣寫程式碼

hankcs在台湾写代码

hankcs在香港寫代碼

hankcs在香港写代码

hankcs在臺灣寫程式碼

hankcs在香港寫代碼

hankcs在臺灣寫程式碼

hankcs在台灣寫代碼

hankcs在臺灣寫代碼

说明

注意在旧版HanLP中，简体“草莓”被转换为“士多啤梨”。后来有用户告诉我“士多啤梨”是香港的用法，不属于通俗意义上的“繁体”，所以在新版中去除了这一转换。而“臺灣”“程式碼”是台湾地区的用法，“台灣”“代碼”则是香港地区的用法，所以

System.out.println(HanLP.t2tw("hankcs在臺灣寫代碼"));

System.out.println(HanLP.t2hk("hankcs在臺灣寫代碼"));

分别输出了：

hankcs在臺灣寫程式碼

hankcs在台灣寫代碼

这里面存在微妙的不同。

基本定义

简体

HanLP中的简体特指大陆地区的简体字。

繁体

HanLP中的繁体是通俗意义上的繁体中文，即受众最广的繁体表示。如果说OpenCC定义了自己的“OpenCC繁体标准”的话，那么这也可以算得上“HanLP繁体标准”。

香港繁體

指的是香港地区使用的繁体中文，据OpenCC的wiki介绍，属于“香港小學學習字詞表標準”。

臺灣正體

指的是台湾地区使用的繁体中文，即“臺灣正體標準”。

接口一览

HanLP支持上述四种中文任意两种之间的转换：

/**

简转繁,是{@link com.hankcs.hanlp.HanLP#convertToTraditionalChinese(java.lang.String)}的简称

@param s 简体中文

@return 繁体中文(大陆标准)
*/
public static String s2t(String s)
{

return HanLP.convertToTraditionalChinese(s);
}

/**

繁转简,是{@link HanLP#convertToSimplifiedChinese(String)}的简称

@param t 繁体中文(大陆标准)

@return 简体中文
*/
public static String t2s(String t)
{

return HanLP.convertToSimplifiedChinese(t);
}

/**

簡體到臺灣正體

@param s 簡體

@return 臺灣正體
*/
public static String s2tw(String s)
{

return SimplifiedToTaiwanChineseDictionary.convertToTraditionalTaiwanChinese(s);
}

/**

臺灣正體到簡體

@param tw 臺灣正體

@return 簡體
*/
public static String tw2s(String tw)
{

return TaiwanToSimplifiedChineseDictionary.convertToSimplifiedChinese(tw);
}

/**

簡體到香港繁體

@param s 簡體

@return 香港繁體
*/
public static String s2hk(String s)
{

return SimplifiedToHongKongChineseDictionary.convertToTraditionalHongKongChinese(s);
}

/**

香港繁體到簡體

@param hk 香港繁體

@return 簡體
*/
public static String hk2s(String hk)
{

return HongKongToSimplifiedChineseDictionary.convertToSimplifiedChinese(hk);
}

/**

繁體到臺灣正體

@param t 繁體

@return 臺灣正體
*/
public static String t2tw(String t)
{

return TraditionalToTaiwanChineseDictionary.convertToTaiwanChinese(t);
}

/**

臺灣正體到繁體

@param tw 臺灣正體

@return 繁體
*/
public static String tw2t(String tw)
{

return TaiwanToTraditionalChineseDictionary.convertToTraditionalChinese(tw);
}

/**

繁體到香港繁體

@param t 繁體

@return 香港繁體
*/
public static String t2hk(String t)
{

return TraditionalToHongKongChineseDictionary.convertToHongKongTraditionalChinese(t);
}

/**

香港繁體到繁體

@param hk 香港繁體

@return 繁體
*/
public static String hk2t(String hk)
{

return HongKongToTraditionalChineseDictionary.convertToTraditionalChinese(hk);
}

/**

香港繁體到臺灣正體

@param hk 香港繁體

@return 臺灣正體
*/
public static String hk2tw(String hk)
{

return HongKongToTaiwanChineseDictionary.convertToTraditionalTaiwanChinese(hk);
}

/**

臺灣正體到香港繁體

@param tw 臺灣正體

@return 香港繁體
*/
public static String tw2hk(String tw)
{

return TaiwanToHongKongChineseDictionary.convertToTraditionalHongKongChinese(tw);
}
共计12种接口。命名规范按照X2Y的形式，X表示源语种，Y表示目标语种。