我正在使用ICU4C音译CJK。我想知道是否有可能在ICU中进行分词,以将中文文本拆分为根据某些分词标准定义的单词序列。
例如,当我尝试音译时:
直接输出html代码而不是作为函数返回值代后处理
使用
Transliterator* myTrans =
Transliterator::createInstance("zh-Latin",UTRANS_FORWARD, err);
UnicodeString str;
str.setTo("直接输出html代码而不是作为函数返回值代后处理");
myTrans->transliterate(str);
str.toUTF8String(st);
std::cout << st << std::endl;
我得到以下输出:
zhí jiē shū chū html dài mǎ ér bù shì zuò wèi hán shù fǎn huí zhí dài hòu chù lǐ
使用在线拼音工具检查似乎很好,但是我的问题是ICU逐个音译了字符。不过,我要寻找的是类似于下面的文本(我不懂中文,所以下面的文本可能没有任何意义,但是它应该表明我感兴趣的输出类型) :
zhíjiē shūchū html dàimǎér bùshì zuò wèihán shùfǎn huízhídài hòu chùlǐ
I have been told ICU 50可以进行分词,但是我也没有在他们的网页上找到任何文档。想知道你们中是否有人在ICU中使用过分词或知道如何进行分词,或者您是否有很好的链接来做到这一点。
最佳答案
“基于字典的迭代器”不是不同的API。只需使用适当的语言环境ID创建ICU分词迭代器即可。
icu / source / samples / break中有ICU附带的C / C ++示例
另外,以下示例代码显示了断字:
http://source.icu-project.org/repos/icu/icuapps/trunk/iucsamples/c/s24_brkw/s24_brkw.cpp
http://source.icu-project.org/repos/icu/icuapps/trunk/iucsamples/c/s23_brki/
大概是这样的:
BreakIterator *wordIterator = BreakIterator::createWordInstance(Locale("zh"), status);
UnicodeString text = "Unicode provides a unique number for every character, no matter what the platform, no matter what the program, no matter what the language.";
wordIterator->setText(text);
int32_t breakCount = 0;
int32_t start = wordIterator->first();
for(int32_t end = wordIterator->next();
end != BreakIterator::DONE;
start = end, end = wordIterator->next())
{
breakCount++;
}
delete wordIterator;
关于c++ - 使用ICU的分词,我们在Stack Overflow上找到一个类似的问题:https://stackoverflow.com/questions/13494910/