zz使用 Python 分离中文与英文的混合字串

使用 Python 分离中文与英文的混合字串

LiYanrui posted @ 大约 1 年前 in 程序设计 with tags python , 614 阅读

这个问题是做 MkIV 预处理程序 时搞定的，就是把一个混合了中英文混合字串分离为英文与中文的子字串，譬如，将 ”我的 English 学的不好 “ 分离为 “我的" 、" English ” 与 "学的不好" 三个子字串。

1. 中英文混合字串的统一编码表示

中英文混合字串处理最省力的办法就是把它们的编码都转成 Unicode，让一个汉字与一个英文字母的内存位宽都是相等的。这个工作用 Python 来做，比较合适，因为 Python 内码采用的是 Unicode，并且为了支持 Unicode 字串的操作，Python 做了一个 Unicode 内建模块，把 string 对象的全部方法重新实现了一遍，另外提供了 Codecs 对象，解决各种编码类型的字符串解码与编码问题。

譬如下面的 Python 代码，可实现 UTF-8 编码的中英文混合字串向 Unicode 编码的转换：

# -*- coding:utf-8 -*-
a = "我的 English 学的不好"
print type ( a ) , len ( a ) , a

b = unicode ( a, "utf-8" )
print type ( b ) , len ( b ) , b

字符串 a 是 utf-8 编码，使用 python 的内建对象 unicode 可将其转换为 Unicode 编码的字符串 b。上述代码执行后的输出结果如下所示，比较字串 a 与字串 b 的长度，显然 len (b) 的输出结果是合理的。

<type 'str' > 27 我的 English 学的不好
<type 'unicode' > 15 我的 English 学的不好

要注意的一个问题是 Unicode 虽然号称是“统一码”，不过也是存在着两种形式，即：

• UCS-2：为 16 位码，具有 2^16 = 65536 个码位；
• UCS-4：为 32 位码，目前的规定是其首字节的首位为 0，因此具有 2^31 = 2147483648 个码位，不过现在的只使用了 0x00000000 － 0x0010FFFF 之间的码位，共 1114112 个。

使用Python  sys 模块提供的一个变量 maxunicode 的值可以判断当前 Python 所使用的 Unicode 类型是 UCS-2 的还是 UCS-4 的。

import sys
print sys . maxunicode

若 sys.maxunicode 的值为 1114111，即为 UCS-4；若为 65535，则为 UCS-2。

2. 中英文混合字串的分离

一旦中英文字串的编码获得统一，那么对它们进行分裂就是很简单的事情了。首先要为中文字串与英文字串分别准备一个收集器，使用两个空的字串对象即 可，譬如 zh_gather 与 en_gather；然后要准备一个列表对象，负责按分离次序存储 zh_gather 与 en_gather 的值。下面这个 Python 函数接受一个中英文混合的 Unicode 字串，并返回存储中英文子字串的列表。

def split_zh_en ( zh_en_str ) :

        zh_en_group = [ ]
        zh_gather = ""
        en_gather = ""
        zh_status = False

        for c in zh_en_str:
                if not zh_status and is_zh ( c ) :
                        zh_status = True
                        if en_gather != "" :
                                zh_en_group. append ( [ mark [ "en" ] ,en_gather ] )
                                en_gather = ""
                elif not is_zh ( c ) and zh_status:
                        zh_status = False
                        if zh_gather != "" :
                                zh_en_group. append ( [ mark [ "zh" ] , zh_gather ] )
                if zh_status:
                        zh_gather += c
                else :
                        en_gather += c                               
                        zh_gather = ""

        if en_gather != "" :
                zh_en_group. append ( [ mark [ "en" ] ,en_gather ] )
        elif zh_gather != "" :
                zh_en_group. append ( [ mark [ "zh" ] ,zh_gather ] )

        return zh_en_group

上述代码所实现的功能细节是：对中英文混合字串 zh_en_str 的遍历过程中进行逐字识别，若当前字符为中文，则将其添加到 zh_gather 中；若当前字符为英文，则将其添加到 en_gather 中。zh_status 表示中英文字符的切换状态，当 zh_status 的值发生突变时，就将所收集的中文子字串或英文子字串添加到 zh_en_group 中去。

判断字串 zh_en_str 中是否包含中文字符的条件语句中出现了一个 is_zh () 函数，它的实现如下：

def is_zh ( c ) :
        x = ord ( c )
        # Punct & Radicals
        if x >= 0x2e80 and x <= 0x33ff:
                return True

        # Fullwidth Latin Characters
        elif x >= 0xff00 and x <= 0xffef:
                return True

        # CJK Unified Ideographs &
        # CJK Unified Ideographs Extension A
        elif x >= 0x4e00 and x <= 0x9fbb:
                return True
        # CJK Compatibility Ideographs
        elif x >= 0xf900 and x <= 0xfad9:
                return True

        # CJK Unified Ideographs Extension B
        elif x >= 0x20000 and x <= 0x2a6d6:
                return True

        # CJK Compatibility Supplement
        elif x >= 0x2f800 and x <= 0x2fa1d:
                return True

        else :
                return False

这段代码来自 jjgod 写的 XeTeX 预处理程序。

对于分离出来的中文子字串与英文子字串，为了使用方便，在将它们存入 zh_en_group 列表时，我对它们分别做了标记，即 mark["zh"] 与 mark["en"]。mark 是一个 dict 对象，其定义如下：

mark = { "en" : 1 , "zh" : 2 }

如果要对 zh_en_group 中的英文字串或中文字串进行处理时，标记的意义在于快速判定字串是中文的，还是英文的，譬如：

for str in zh_en_group:
        if str [ 0 ] = mark [ "en" ] :
                do somthing
        else :
                do somthing