python如何識別中文生僻字

這篇文章主要介紹了python如何識別中文生僻字，具有一定借鑒價值，感興趣的朋友可以參考下，希望大家閱讀完這篇文章之后大有收獲，下面讓小編帶著大家一起了解一下。

問題點

本來考慮用正則來判斷中文，因為網上發現正則的匹配中文是[\u4e00-\u9fa5]。接著代碼都快寫完了，發現有些生僻字不再在這個范圍內。

識別方法

在utf-8字符編碼下，一個中文字符占3個字節，但字符的長度只有1。

1、分析中文的方法是否可以靈活為len(bytes(str,'utf-8)==3 and len(string)==1。

2、文本寫作判斷中文后，如果是漢字str.ljust(5)，否則為str.ljust(6)(因為一個漢字占兩個字符的長度)。

實例

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)
                # 行內容轉拼音
                _pinyin = ''.join(map(lambda x: x[0].ljust(6), pinyin(_new_line)))
                # 根據中英文,將行內容進行字符與漢字的拆分
                _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()

感謝你能夠認真閱讀完這篇文章，希望小編分享的“python如何識別中文生僻字”這篇文章對大家有幫助，同時也希望大家多多支持億速云，關注億速云行業資訊頻道，更多相關知識等著你來學習!