-
Notifications
You must be signed in to change notification settings - Fork 1
/
Copy pathconverter.py
620 lines (480 loc) · 18.6 KB
/
converter.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
"""难视语言转换器"""
import re
import time
from typing import Callable, Optional
import jieba
from opencc import OpenCC
from pypinyin import Style, lazy_pinyin, load_phrases_dict
from pypinyin_dict.phrase_pinyin_data import cc_cedict, di
from romajitable import to_kana as tk
from base import (
PINYIN_FINALS,
PINYIN_TO,
TONE_TO_IPA,
Ldata,
P,
cy_values,
gr_values,
load_json,
rep_ja_kk,
rep_zh,
)
# 初始化OpenCC
opencc_s2c = OpenCC(str(P / "GujiCC" / "opencc" / "s2c.json"))
# 初始化pypinyin
cc_cedict.load()
di.load()
phrases = load_json("phrases")
load_phrases_dict({k: [[_] for _ in v.split()] for k, v in phrases.items()})
# 初始化jieba
jieba.load_userdict(str(P / "data" / "dict.txt"))
# 初始化其他自定义数据
fixed_zh_u = load_json("fixed_zh_universal", "data/fixed")
manyoganas_dict: Ldata = load_json("manyogana") # 万叶假名
wei: Ldata = load_json("wei") # 为
class ConverterError(Exception):
"""转换器基础异常类"""
class ConversionError(ConverterError):
"""转换过程中的异常"""
class BaseConverter:
"""基础转换器,提供通用文本操作方法。
Attributes:
data (Ldata): 输入的语言数据字典
rep (Ldata): 需要替换的格式内容字典
"""
def __init__(self, data: Ldata, rep: Ldata) -> None:
"""初始化转换器。
Args:
data (Ldata): 输入的语言数据字典
rep (Ldata): 需要替换的格式内容字典
"""
self.data = data
self.rep = rep
def replace_multiple(self, text: str, replacement: Optional[Ldata] = None) -> str:
"""对字符串进行多次替换。
Args:
text (str): 需要替换的字符串
replacement (Optional[Dict[str, str]], optional): 替换格式字典
Returns:
str: 替换后的字符串
"""
if not replacement:
replacement = self.rep
for old, new in replacement.items():
text = text.replace(old, new)
return text
def capitalize_lines(self, text: str) -> str:
"""处理句首大写,字符串中带换行符和省略号的单独处理。
Args:
text (str): 需要转换的字符串
Returns:
str: 转换结果
"""
def _capitalize_with_ellipsis(segment: str) -> str:
"""处理带省略号的文本段落,确保每个省略号后的文本都大写。"""
if not segment:
return segment
parts = segment.split("...")
capitalized_parts = []
for part in parts:
if not part:
capitalized_parts.append(part)
continue
if part[0] == " ":
capitalized_parts.append(
" " + part[1].upper() + part[2:] if len(part) > 1 else part
)
else:
capitalized_parts.append(part[0].upper() + part[1:])
return "...".join(capitalized_parts)
if not text:
return text
if "\n" not in text:
if "..." not in text:
return text[0].upper() + text[1:]
return _capitalize_with_ellipsis(text)
lines = text.splitlines()
capitalized_lines = []
for line in lines:
if not line:
capitalized_lines.append(line)
continue
capitalized_lines.append(_capitalize_with_ellipsis(line))
return "\n".join(capitalized_lines)
def capitalize_titles(self, text: str) -> str:
"""将书名号《》中的单词首字母大写。
Args:
text (str): 需要转换的字符串
Returns:
str: 转换结果
"""
return re.sub(
r"《(.*?)》",
lambda m: f"《{' '.join(w.capitalize() for w in m.group(1).split())}》",
text,
)
def add_apostrophes(self, input_list: list[str], values: set[str]) -> list[str]:
"""处理隔音符号。
Args:
input_list (list[str]): 需要转换的字符串
values (set[str]): 有效的拼写
Returns:
list[str]: 处理结果
"""
for i in range(1, len(input_list)):
for j in range(len(input_list[i - 1])):
prefix = input_list[i - 1][: -j - 1]
suffix = input_list[i - 1][-j:]
if (suffix + input_list[i] in values) and (prefix in values):
input_list[i] = f"'{input_list[i]}"
break
return input_list
def convert(
self,
func: Callable[[str], str],
fix_dict: Optional[Ldata] = None,
rep: Optional[Ldata] = None,
) -> tuple[Ldata, float]:
"""转换语言数据。
Args:
func (Callable[[str], str): 字符串转换函数
fix_dict (Optional[Dict[str, str]], optional): 修复内容字典
rep (Optional[Dict[str, str]], optional): 替换格式字典
Returns:
tuple[Dict[str, str], float): (转换结果字典,耗时秒数)
Raises:
ConversionError: 转换过程出错
"""
try:
if not rep:
rep = self.rep
input_dict = self.data
start_time = time.time()
output_dict: Ldata = {}
try:
for k, v in input_dict.items():
output_dict[k] = func(v)
except Exception as e:
current_key = list(input_dict.keys())[len(output_dict)]
raise ConversionError(f"转换{current_key}时出现错误:{str(e)}") from e
if self.rep is rep_zh:
output_dict.update(fixed_zh_u)
if fix_dict:
output_dict.update(fix_dict)
return output_dict, time.time() - start_time
except Exception as e:
raise ConversionError(f"转换失败:{str(e)}") from e
class EnglishConverter(BaseConverter):
"""英文转换器。处理英文文本到其他格式的转换。
Attributes:
data (Ldata): 输入的英文语言数据
rep (Ldata, optional): 英文转写替换规则
"""
def __init__(self, data: Ldata, rep: Ldata = rep_ja_kk) -> None:
"""初始化英文转换器。
Args:
data (Ldata): 输入的英文语言数据
rep (Ldata, optional): 英文转写替换规则,默认为rep_ja_kk
"""
super().__init__(data, rep)
def to_i7h(self, text: str) -> str:
"""将字符串中的所有单词缩写。
保留单词的首尾字符,中间用字符数替代。
长度为2或以下的单词保持不变。
Args:
text (str): 需要转换的字符串
Returns:
str: 转换结果
"""
words = re.findall(r"[^\W_]+", text)
results = []
for word in words:
if len(word) > 2:
result = f"{word[0]}{len(word) - 2}{word[-1]}"
else:
result = word
results.append(result)
for word, result in zip(words, results):
text = text.replace(word, result, 1)
return text
def to_katakana(self, text: str) -> str:
"""将字符串转写为片假名。
Args:
text (str): 输入的文本
Returns:
str: 转换后的片假名字符串
"""
self.rep = rep_ja_kk
return self.replace_multiple(tk(text).katakana)
def to_manyogana(self, text: str) -> str:
"""将字符串转写为万叶假名。
Args:
text (str): 输入的文本
Returns:
str: 转换后的万叶假名字符串
"""
kk_dict = self.to_katakana(text)
return "".join(manyoganas_dict.get(char, char) for char in kk_dict)
class ChineseConverter(BaseConverter):
"""中文转换器。
Attributes:
data (Ldata): 输入的中文语言数据
rep (Ldata, optional): 中文转写替换规则
auto_cut (bool, optional): 是否使用自动分词
"""
def __init__(self, data: Ldata, rep: Ldata = rep_zh, auto_cut: bool = True) -> None:
"""初始化中文转换器。
Args:
data (Ldata): 输入的中文语言数据
rep (Ldata, optional): 中文转写替换规则,默认为rep_zh
auto_cut (bool, optional): 是否使用自动分词,默认为True
"""
super().__init__(data, rep)
self.auto_cut = auto_cut
def convert(
self,
func: Callable[[str], str],
fix_dict: Optional[Ldata] = None,
rep: Optional[Ldata] = None,
) -> tuple[Ldata, float]:
"""转换语言数据。
Args:
func (Callable[[str], str): 字符串转换函数
fix_dict (Optional[Dict[str, str]], optional): 修复内容字典
rep (Optional[Dict[str, str]], optional): 替换格式字典
Returns:
tuple[Dict[str, str], float): (转换结果字典,耗时秒数)
Raises:
ConversionError: 转换过程出错
"""
try:
if not rep:
rep = self.rep
input_dict = self.data
start_time = time.time()
output_dict: Ldata = {}
try:
for k, v in input_dict.items():
string = (
v.replace("为", "位") if k in wei and func.__name__ != "to_split" else v
)
output_dict[k] = func(string)
except Exception as e:
current_key = list(input_dict.keys())[len(output_dict)]
raise ConversionError(f"转换{current_key}时出现错误:{str(e)}") from e
if self.rep is rep_zh:
output_dict.update(fixed_zh_u)
if fix_dict:
output_dict.update(fix_dict)
return output_dict, time.time() - start_time
except Exception as e:
raise ConversionError(f"转换失败:{str(e)}") from e
def segment_str(self, text: str) -> list[str]:
"""根据设置分词或者直接拆分字符串。
Args:
text (str): 需要分割的字符串
Returns:
list[str): 分割后的字符串列表
"""
return jieba.lcut(text) if self.auto_cut else text.split()
def to_split(self, text: str) -> str:
"""输出拆分后的字符串结果。
Args:
text (str): 需要转换的字符串
Returns:
str: 转换结果
"""
rep = self.rep.copy()
rep.update(
{
"了.": " 了.",
"了!": " 了!",
"了?": " 了?",
"了…": " 了…",
"之物": "之 物",
}
)
return self.replace_multiple(" ".join(self.segment_str(text)).replace(" 了", "了"), rep)
def to_harmonic(self, text: str) -> str:
"""将字符串中的汉字按GB/Z 40637-2021和《通用规范汉字表》转换。
Args:
text (str): 需要转换的字符串
Returns:
str: 转换结果
"""
return opencc_s2c.convert(text)
def to_pinyin(self, text: str) -> str:
"""将汉字转写为拼音,尝试遵循GB/T 16159-2012分词,词之间使用空格分开。
Args:
text (str): 需要转换的字符串
Returns:
str: 转换结果
"""
seg_list = self.segment_str(text)
result = ""
for i, seg in enumerate(seg_list):
pinyin_list = lazy_pinyin(seg, style=Style.TONE)
pinyin_list = [
(
f"'{py}"
if i > 0 and py.startswith(PINYIN_FINALS) and pinyin_list[i - 1][-1].isalpha()
else py
)
for i, py in enumerate(pinyin_list)
]
result += (
""
if seg == "了"
and i + 1 < len(seg_list)
and seg_list[i + 1] not in {"。", "!", "?", "…"}
else " "
)
result += "".join(pinyin_list)
return self.capitalize_lines(self.capitalize_titles(self.replace_multiple(result[1:])))
def pinyin_to_other(
self,
correspondence: Ldata,
text: str,
delimiter: str = "-",
) -> str:
"""将汉字转写为其他拼音系统。
Args:
correspondence (Ldata): 对应的拼音系统映射
text (str): 输入的文本
delimiter (str, optional): 分隔符,默认为'-'
Returns:
str: 转换结果
"""
seg_list = self.segment_str(text)
result = ""
for i, seg in enumerate(seg_list):
pinyin_list = lazy_pinyin(seg, style=Style.TONE3, neutral_tone_with_five=True)
result_list = [correspondence.get(p, p) for p in pinyin_list]
result += (
""
if seg == "了"
and i + 1 < len(seg_list)
and seg_list[i + 1] not in {"。", "!", "?", "…"}
else " "
)
result += delimiter.join(result_list)
return self.capitalize_lines(self.capitalize_titles(self.replace_multiple(result[1:])))
def to_ipa(self, text: str) -> str:
"""将字符串中的汉字转写为IPA,单字之间使用空格分开。
IPA数据来自@UntPhesoca,宽式标音。
Args:
text (str): 需要转换的字符串
Returns:
str: 转换结果
"""
pinyin_list = lazy_pinyin(text, style=Style.TONE3, neutral_tone_with_five=True)
ipa_list = [
f"{PINYIN_TO['ipa'].get(p[:-1], p[:-1])}{TONE_TO_IPA.get(p[-1], p[-1])}"
for p in pinyin_list
]
return " ".join(ipa_list)
def to_bopomofo(self, text: str) -> str:
"""将字符串中的汉字转写为注音符号,单字之间使用空格分开。
Args:
text (str): 需要转换的字符串
Returns:
str: 转换结果
"""
bpmf_list = lazy_pinyin(text, style=Style.BOPOMOFO)
bpmf_list = [f"˙{i[:-1]}" if i.endswith("˙") else i for i in bpmf_list]
return " ".join(bpmf_list)
def to_wadegiles(self, text: str) -> str:
"""将字符串中的汉字转写为威妥玛拼音,单字之间使用连字符分开,词之间使用空格分开。
Args:
text (str): 需要转换的字符串
Returns:
str: 转换结果
"""
return self.pinyin_to_other(PINYIN_TO["wadegiles"], text)
def to_romatzyh(self, text: str) -> str:
"""将字符串中的汉字转写为国语罗马字,词之间使用空格分开。
Args:
text (str): 需要转换的字符串
Returns:
str: 转换结果
"""
seg_list = self.segment_str(text)
output_list = []
for seg in seg_list:
seg = seg.replace("不", "bu")
pinyin_list = lazy_pinyin(seg, style=Style.TONE3, neutral_tone_with_five=True)
gr_list = [PINYIN_TO["romatzyh"].get(p, p) for p in pinyin_list]
output_list.append("".join(self.add_apostrophes(gr_list, gr_values)))
result = " ".join(output_list)
return self.capitalize_lines(self.capitalize_titles(self.replace_multiple(result)))
def to_simp_romatzyh(self, text: str) -> str:
"""将字符串中的汉字转写为简化国语罗马字,词之间使用空格分开。
Args:
text (str): 需要转换的字符串
Returns:
str: 转换结果
"""
return self.pinyin_to_other(PINYIN_TO["simp_romatzyh"], text, delimiter="")
def to_mps2(self, text: str) -> str:
"""将字符串中的汉字转写为注音符号第二式,单字之间使用连字符分开,词之间使用空格分开。
Args:
text (str): 需要转换的字符串
Returns:
str: 转换结果
"""
return self.pinyin_to_other(PINYIN_TO["mps2"], text)
def to_tongyong(self, text: str) -> str:
"""将字符串中的汉字转写为通用拼音,单字之间使用连字符分开,词之间使用空格分开。
Args:
text (str): 需要转换的字符串
Returns:
str: 转换结果
"""
return self.pinyin_to_other(PINYIN_TO["tongyong"], text)
def to_yale(self, text: str) -> str:
"""将字符串中的汉字转写为耶鲁拼音,单字之间使用连字符分开,词之间使用空格分开。
Args:
text (str): 需要转换的字符串
Returns:
str: 转换结果
"""
return self.pinyin_to_other(PINYIN_TO["yale"], text)
def to_katakana(self, text: str = "") -> str:
"""将字符串中的汉字转写为片假名。
Args:
text (str): 需要转换的字符串
Returns:
str: 转换结果
"""
pinyin_list = lazy_pinyin(text)
kana_list = [f"{PINYIN_TO['katakana'].get(p, p)}" for p in pinyin_list]
return " ".join(kana_list)
def to_cyrillic(self, text: str) -> str:
"""将字符串中的汉字转写为西里尔字母,使用巴拉第音标体系。
Args:
text (str): 需要转换的字符串
Returns:
str: 转换结果
"""
seg_list = self.segment_str(text)
output_list: list[str] = []
for seg in seg_list:
pinyin_list = lazy_pinyin(seg)
cy_list = [PINYIN_TO["cyrillic"].get(p, p) for p in pinyin_list]
output_list.append("".join(self.add_apostrophes(cy_list, cy_values)))
result = " ".join(output_list)
return self.capitalize_lines(self.capitalize_titles(self.replace_multiple(result)))
def to_xiaojing(self, text: str) -> str:
"""将字符串中的汉字转写为小儿经,使用零宽不连字(U+200C)分开。
Args:
text (str): 需要转换的字符串
Returns:
str: 转换结果
"""
seg_list = self.segment_str(text)
output_list = []
for seg in seg_list:
pinyin_list = lazy_pinyin(seg)
xj_list = [PINYIN_TO["xiaojing"].get(p, p) for p in pinyin_list]
output_list.append("\u200c".join(xj_list))
return self.replace_multiple(" ".join(output_list))