Opencc4j
Opencc4j 支持中文繁简体转换,考虑到词组级别。
拓展阅读
pinyin 汉字转拼音
pinyin2hanzi 拼音转汉字
segment 高性能中文分词
opencc4j 中文繁简体转换
nlp-hanzi-similar 汉字相似度
word-checker 拼写检测
sensitive-word 敏感词
Features 特点
- 严格区分「一简对多繁」和「一简对多异」。
- 完全兼容异体字,可以实现动态替换。
- 严格审校一简对多繁词条,原则为「能分则不合」。
- 词库和函数库完全分离,可以自由修改、导入、扩展。
- 兼容 Windows、Linux、Mac 平台。
- 支持自定义分词
- 支持判断单个字(词)是否为简体/繁体
- 支持返回字符串中简体/繁体的列表信息
- 支持中国台湾地区繁简体转换
创作缘由
- OpenCC
OpenCC 的思想非常优秀,做的也特别棒。但是没有特别为 java 提供的工具。
- jopencc
jopencc 没有提供分词功能。
快速开始
maven 引入
<dependency><groupId>com.github.houbb</groupId><artifactId>opencc4j</artifactId><version>1.8.1</version></dependency>
api 概览
核心工具列表如下:
序号工具类简介1ZhConverterUtil基础的繁简体转换2ZhTwConverterUtil台湾地区的繁简体转换
所有的工具类方法具有相同的方法设计,便于记忆。
核心方法如下:
序号api 方法简介1toSimple(String)转为简体2toTraditional(String)转为繁体3simpleList(String)返回包含的简体列表4traditionalList(String)返回包含的繁体列表5toSimple(char)返回单个汉字对应的所有简体字列表6toTraditional(char)返回单个汉字对应的所有繁体字列表7isSimple(String)是否全部为简体8isSimple(char)单个字符是否为简体9containsSimple(String)字符中是否为包含简体10isTraditional(String)是否全部为繁体11isTraditional(char)单个字符是否为繁体12containsTraditional(String)字符中是否为包含繁体13isChinese(String)是否全部为中文14isChinese(char)单个字符是否为中文15containsChinese(char)字符串中是否包含中文
繁简体转换
转为简体 toSimple
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);
转为繁体 toTraditional
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);
繁简体判断
对单个字符或者词组进行繁简体判断。
是否为简体 isSimple
Assert.assertTrue(ZhConverterUtil.isSimple('奋'));Assert.assertTrue(ZhConverterUtil.isSimple("奋"));Assert.assertTrue(ZhConverterUtil.isSimple("奋斗"));Assert.assertFalse(ZhConverterUtil.isSimple('奮'));Assert.assertFalse(ZhConverterUtil.isSimple("奮"));Assert.assertFalse(ZhConverterUtil.isSimple("奮鬥"));Assert.assertFalse(ZhConverterUtil.isSimple("奮斗"));Assert.assertFalse(ZhConverterUtil.isSimple("beef"));
是否包含简体 containsSimple
Assert.assertTrue(ZhConverterUtil.containsSimple("奋"));Assert.assertTrue(ZhConverterUtil.containsSimple("奋斗"));Assert.assertTrue(ZhConverterUtil.containsSimple("奋斗2023"));Assert.assertFalse(ZhConverterUtil.containsSimple("編"));Assert.assertFalse(ZhConverterUtil.containsSimple("編號"));
是否为繁体 isTraditional
Assert.assertTrue(ZhConverterUtil.isTraditional('編'));Assert.assertTrue(ZhConverterUtil.isTraditional("編"));Assert.assertTrue(ZhConverterUtil.isTraditional("編號"));Assert.assertFalse(ZhConverterUtil.isTraditional('编'));Assert.assertFalse(ZhConverterUtil.isTraditional("编"));Assert.assertFalse(ZhConverterUtil.isTraditional("编号"));Assert.assertFalse(ZhConverterUtil.isTraditional("编號"));
是否包含繁体 containsTraditional
Assert.assertTrue(ZhConverterUtil.containsTraditional("編"));Assert.assertTrue(ZhConverterUtil.containsTraditional("編號"));Assert.assertTrue(ZhConverterUtil.containsTraditional("編號2023"));Assert.assertFalse(ZhConverterUtil.containsTraditional("号"));Assert.assertFalse(ZhConverterUtil.containsTraditional("编号"));
句子中包含的繁简体列表返回
返回字符串中繁简体对应的词、字列表,默认支持中文分词。
繁简体列表返回的词组和分词策略紧密相关。
简体列表 simpleList
finalString original ="生命不息奋斗不止";finalList<String> resultList =ZhConverterUtil.simpleList(original);Assert.assertEquals("[生, 命, 不, 息, 奋斗, 不, 止]", resultList.toString());
繁体列表 traditionalList
PS: 很多字是同体字。
finalString original ="生命不息奮鬥不止";finalList<String> resultList =ZhConverterUtil.traditionalList(original);Assert.assertEquals("[生, 命, 不, 息, 奮, 鬥, 不, 止]", resultList.toString());
单个汉字对应的繁简体列表
繁体字列表
Assert.assertEquals("[幹, 乾, 干]",ZhConverterUtil.toTraditional('干').toString());Assert.assertEquals("[發, 髮]",ZhConverterUtil.toTraditional('发').toString());
简体字列表
Assert.assertEquals("[测]",ZhConverterUtil.toSimple('測').toString());
中文工具方法
是否为中文 isChinese
Assert.assertTrue(ZhConverterUtil.isChinese("你"));Assert.assertTrue(ZhConverterUtil.isChinese("你好"));Assert.assertTrue(ZhConverterUtil.isChinese('你'));Assert.assertFalse(ZhConverterUtil.isChinese("你0"));Assert.assertFalse(ZhConverterUtil.isChinese("10"));Assert.assertFalse(ZhConverterUtil.isChinese('0'));Assert.assertFalse(ZhConverterUtil.isChinese(""));Assert.assertFalse(ZhConverterUtil.isChinese(null));
是否包含中文 containsChinese
Assert.assertTrue(ZhConverterUtil.containsChinese("你"));Assert.assertTrue(ZhConverterUtil.containsChinese("你好"));Assert.assertTrue(ZhConverterUtil.containsChinese("你0"));Assert.assertFalse(ZhConverterUtil.containsChinese("10"));Assert.assertFalse(ZhConverterUtil.containsChinese(""));Assert.assertFalse(ZhConverterUtil.containsChinese(null));
中国台湾繁简体转换
工具类
为保证方法的一致性,引入
ZhTwConverterUtil
工具类,支持方法和
ZhConverterUtil
保持一致。
测试用例
简体到繁体:
String original ="使用互联网";String result =ZhTwConverterUtil.toTraditional(original);Assert.assertEquals("使用網際網路", result);
繁体到简体:
String original ="使用網際網路";String result =ZhTwConverterUtil.toSimple(original);Assert.assertEquals("使用互联网", result);
配置引导类
引导类说明
主要的可配置项包含了分词和数据集合。
二者都是可以配置,并且支持自定的。
默认配置
默认工具类等价于如下:
ZhConvertBootstrap.newInstance().segment(Segments.defaults()).dataMap(DataMaps.defaults());
中国台湾地区配置
中国台湾地区配置等价于:
ZhConvertBootstrap.newInstance().segment(Segments.defaults()).dataMap(DataMaps.taiwan());
中文分词策略
系统内置分词方式
你可以通过
Segments
工具类获取系统内置的分词实现。
序号方法准确性性能备注1defaults()高高默认分词形式,暂时为
fastForward
策略2fastForward()较高高fast-forward 分词策略3chars()低高将字符串转换为单个字符列表,一般不建议使用4huaBan()高一般花瓣的结巴分词策略
花瓣结巴分词
花瓣结巴分词在使用时,需要自行引入结巴分词依赖。
<dependency><groupId>com.huaban</groupId><artifactId>jieba-analysis</artifactId><version>1.0.2</version></dependency>
自定义
你有时候可能除了上述的两种分词方式,会有更加适合自己业务的分词实现。
Opencc4j 支持自定义分词实现,只需要实现分词接口 Segment
- 接口内容
publicinterfaceSegment{/**
* 分词
* @param original 原始信息
* @return 分词后的列表
*/List<String>seg(finalString original);}
测试代码
自定义分词实现类
/**
* 一个最简单的分词实现。
* 注意:仅仅做演示,不可实际使用。
*/publicclassFooSegmentimplementsSegment{@OverridepublicList<String>seg(String original){returnArrays.asList(original,"测试");}}
分词测试
我们自定义的分词,直接在默认添加“测试”这样的信息。
finalString original ="寥落古行宫,宫花寂寞红。白头宫女在,闲坐说玄宗。";finalSegment segment =newFooSegment();finalString result =ZhConvertBootstrap.newInstance().segment(segment).toTraditional(original);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);
数据接口自定义
不同的地区,对应的转换规则是不同的。
具体参考一下台湾地区的使用方式即可。
接口说明
IDataMap 的接口如下。
/**
* 数据 map 接口
* @author binbin.hou
* @since 1.5.2
*/publicinterfaceIDataMap{/**
* 繁体=》简体 词组
* @return 结果
* @since 1.5.2
*/Map<String,List<String>>tsPhrase();/**
* 繁体=》简体 单个字
* @return 结果
* @since 1.5.2
*/Map<String,List<String>>tsChar();/**
* 简体=》繁体 词组
* @return 结果
* @since 1.5.2
*/Map<String,List<String>>stPhrase();/**
* 简体=》繁体 单个字
* @return 结果
* @since 1.5.2
*/Map<String,List<String>>stChar();/**
* 繁体字所有字符
* @return 繁体字所有字符
* @since 1.6.2
*/Set<String>tChars();/**
* 简体字所有字符
* @return 繁体字所有字符
* @since 1.8.0
*/Set<String>sChars();}
自定义说明
如果需要拓展对应的数据,建议继承原始的实现,然后添加额外的数据信息即可。
可以参考 中国台湾地区实现
ps: 后续考虑引入更加简单的实现方式,比如基于文本拓展,不过可扩展性没有接口灵活。
Issues & Bugs
需求和 BUG 在这里,欢迎提供宝贵的建议。
如果对您有帮助,欢迎 Star 鼓励作者。
小结
NLP 中文繁简体转换是一个非常基础的工具,后续分词、拼音等等都可以基于这个工具。
版权归原作者 老马啸西风 所有, 如有侵权,请联系我们删除。