Python为文档批量注音（生僻字歌词为例）

抖音配乐--生僻字

首次听到生僻字就是从抖音了，随着生僻字配乐使用的人越来越多，很多人翻唱、模仿甚至有讲解成语出处和寓意的段子，可谓百家争鸣。
但，有一类视频很不讨喜，就是把歌词用谐音字代替，好让人一眼认识。
如果是那些哈韩哈日的朋友们，想唱歌但又没有语言基础，那你配上谐音的字没毛病。可歌词中的成语和汉子就是老祖宗传下来的文化，你却用谐音字去让自己容易辨识，不觉得脸红吗？
如果不认识，你可以查字典，找度娘，然后标注上拼音啊！即娱乐又长知识了。
当然有人觉得这样一个一个的查太麻烦，那是因为----你不会Python啊！
今天，我就来教教你们，怎么把文本内容自动标注拼音。

Python的拼音模块

Python的模块库API，每次进去习惯第一动作，就是右键翻译为中文。（好羞愧，个人太爱国了，所以一直排斥学英语，好不要脸的借口...）可Python的拼音模块不需要这么做，因为涉及拼音等模块肯定和中文有关系，文档自然是中文的喽。
那么Python的拼音模块是什么？ pypinyin

• 特性
  • 根据词组智能匹配最正确的拼音。
  • 支持多音字。
  • 简单的繁体支持, 注音支持。
  • 支持多种不同拼音/注音风格。
• 安装
  pip install pypinyin
• 使用示例

>>> from pypinyin import pinyin, lazy_pinyin, Style
>>> pinyin('中心')
[['zhōng'], ['xīn']]
>>> pinyin('中心', heteronym=True)  # 启用多音字模式
[['zhōng', 'zhòng'], ['xīn']]
>>> pinyin('中心', style=Style.FIRST_LETTER)  # 设置拼音风格
[['z'], ['x']]
>>> pinyin('中心', style=Style.TONE2, heteronym=True)
[['zho1ng', 'zho4ng'], ['xi1n']]
>>> pinyin('中心', style=Style.BOPOMOFO)  # 注音风格
[['ㄓㄨㄥ'], ['ㄒㄧㄣ']]
>>> pinyin('中心', style=Style.CYRILLIC)  # 俄语字母风格
[['чжун1'], ['синь1']]
>>> lazy_pinyin('中心')  # 不考虑多音字的情况
['zhong', 'xin']
# Python 3(Python 2 下把 '中心' 替换为 u'中心' 即可):

实现分析

起初想着，既然有了这个强大的拼音模块，那么文本批量添加拼音，岂不是分分钟的事情了吗？然后，打脸接踵而来！
首先，要实现文字上一一对应的标注拼音，每个字与拼音的长度肯定不同，没办法对其。如果要对其，就得将文字进行拆分，字与字之间添加间距。有人说简单啊，每个字的拼音最多不过6为，那我们使用列表解析式[i.just(6) for i in line]不就完了？
听起来没毛病，但是...

• 歌词也有语气词啊，这句Wu 又双叒叕你直接按照字符串拆开成了什么鬼？
• 一个中文在文本中占两个字符的长度，如果对齐的话，还需要识别中文和英文字符！
• 有效字符的辨识，Wu被认为是是个有效字段，模块会对其进行合并

  pinyin('Wu 又双叒叕') -->[['Wu '], ['yòu'], ['shuāng'], ['ruò'], ['zhuó']]

中文识别

本来考虑使用正则去判断中文的，因为网上查到正则的匹配中文是[\u4e00-\u9fa5],简单测试了下，貌似没毛病
然后...代码都快写完了发现有些生僻字不再这个范围内，我擦！

'\u4e00'<='生'<='\u9fa5'
True
'\u4e00'<='僻'<='\u9fa5'
True
'\u4e00'<='字'<='\u9fa5'
True
'\u4e00'<='㙓'<='\u9fa5'
False

生僻字果然没那么好处理，但我这么追求完美的处女座大叔，怎么能容忍特例的出现呢？

解决办法

针对正则匹配问题，深入去研究，就脱离了学Python的初衷，即便解决了也收获甚微，不如换个思路。
utf-8字符编码下，一个中文字符占3个字节，但是字符的长度仅为1，那么解析中文的方式是否可以变通为：
len(bytes(str,'utf-8) == 3 and len(string) == 1)
关于文本书写，我们判断中文后，如果是汉字str.ljust(5),否则str.ljust(6)不就行了(因为一个汉字占两个字符长度)。

代码实现

# -*- coding: utf-8 -*-
# @Author  : 王翔
# @JianShu : 清风Python
# @Date    : 2019/5/18 22:53
# Software : PyCharm
# version： Python 3.6.8
# @File    : ChromePassword.py

from pypinyin import pinyin
import re


class ChangePinyin:
    def __init__(self, filename):
        self.file = filename
        self.lyric = self.read_file()
        self.pinyin = []

    def read_file(self):
        with open(self.file, encoding='utf-8') as f:
            return f.readlines()

    def write_file(self):
        with open('New_%s' % self.file, 'w', encoding='utf-8') as f:
            print(self.lyric)
            for line in self.lyric:
                # print(line)
                if line.strip() == '':
                    continue
                _new_line = re.sub(r'\s', '', line)
                # 行内容转拼音
                _pinyin = ''.join(map(lambda x: x[0].ljust(6), pinyin(_new_line)))
                # 根据中英文,将行内容进行字符与汉字的拆分
                _lyric = self.split_words(_new_line)
                f.write('%s\n%s\n' % (_pinyin, _lyric))

    @staticmethod
    def split_words(words):
        word_list = ""
        tmp = ""
        for string in words:
            if len(bytes(string, 'utf-8')) == 3 and len(string) == 1:
                if tmp != '':
                    word_list += tmp.ljust(6)
                    tmp = ""
                word_list += string.ljust(5)
            else:
                tmp += string
        return word_list


if __name__ == '__main__':
    Main = ChangePinyin('lyric.txt')
    Main.write_file()

看看最后的实现效果吧，是不是格式很工整！

文本注音效果.gif

录屏软件为LICEcap
它是一款屏幕录制工具，支持导出 GIF 动画图片格式，轻量级、使用简单，录制过程中可以随意改变录屏范围。
好了，今天的内容就到这里，希望大家喜欢，如果觉得文章有用，记得关注支持我啊。

©本文由简书作者：清风Python 原创 如需转载请注明
欢迎大家关注我的公众号 清风Python