重新写就的 Lingua::Han::PinYin

Category: MyCPAN   Keywords: pinyin Mandarin

最近有位 Tong Sun 兄给我发邮件说 Lingua::Han::PinYin 里有些字的拼音是不对的。比如“小”，旧版本里显示出“shao”。还有类如“幸”等。

我原来的拼音对照表是从 Unicode::Unihan 那里拿来的。仔细读了读它的代码，发现它采用的是 2002 年的 Unihan.txt
比较老。于是从 Unicode.org 下载了比较新的 Unihan 版本。

因为拼音只是 Unihan 里的一部分。所以第一件事要做的就是从中获取 kMandarin 字段。Perl 的老本行，一次性代码：

#!/usr/bin/perl
use strict;
my $unihan_file = 'E:/Downloads/Unihan.txt';
my $i;
open(FH, $unihan_file) or die $!;
open(OUT, '>Mandarin.dat') or die $!;
while (<FH>) {
    chomp;
        my ($u, $type, $value) = split(/\t/);
    next if ($type ne 'kMandarin');
    $u =~ s/^U\+//isg;
    print OUT "$u\t$value\n";
    $i++;
}
close(FH);
close(OUT);
print "Totally $i is recorded";
1;

这样所写就的 Mandarin.dat 第一个字段就是汉字的 Unicode 十六进制。而接下来的字段是汉字的拼音。
而这里的汉字的第一字段获取倒把我难了好久。这实在是因为俺水平不太好。

比如说“仱”字，在 Perl 中你可以使用

print "\x{4ef1}";

把它在 utf8 编码下显示出来。或者可以直接用 HTML

仱

将它显示出来。而 Mandarin.dat 所对应的第一字段就是这个。
如果将一个汉字获取到这个东西？后来在 ChinaUnix.net 找到了答案。

use Encode;
my $hanzi = '仱';
my $hanzi = decode ("utf8",$hanzi);
print sprintf("%x",unpack ("U*",$hanzi));

接下来的事就简单了。重新写了下这模块。再做了点测试。就发现那几个拼音错误的都修正了。
最后增加了多个字处理和音标。Enjoy!
Download from http://fayland.org/CPAN/Lingua-Han-PinYin-0.04.tar.gz

POD

head1 NAME

Lingua::Han::PinYin - 获取汉字的拼音

head1 SYNOPSIS

  use Lingua::Han::PinYin;
  
  my $h2p = new Lingua::Han::PinYin();
  print $h2p->han2pinyin("我"); # wo
  my @result = $h2p->han2pinyin("爱你"); # @result = ('ai', 'ni');
  
  # 我需要音标
  my $h2p = new Lingua::Han::PinYin(tone => 1);
  print $h2p->han2pinyin("我"); #wo3
  my @result = $h2p->han2pinyin("爱你"); # @result = ('ai4', 'ni3');
  print $h2p->han2pinyin("林道"); #lin2dao4

head1 限制

不能处理多音字。

head1 返回值

正常情况下，返回其拼音。这里总共包括了多于两万个汉字。

万一，（很可能这东西不是汉字），返回它原来的东西;

head1 选项

over 4

item tone => 1|0

默认为 0，需要音标的话设置为 1。

back

Update

修正了一个问题。并且增加了处理中英文混合字。Thank Tong Sun. 已经传到 CPAN 上了。Enjoy!