问题描述
假设我们有一个包含以下内容的文本文件:"Je suis un beau homme ..."
Suppose we have a text file with the content:"Je suis un beau homme ..."
另一个:我是个勇敢的人"
another with:"I am a brave man"
第三个带有德语文本的内容:"Gutenmorgen.Wiegeht的?"
the third with a text in German:"Guten morgen. Wie geht's ?"
我们如何编写一个函数来告诉我们:以这样的概率第一个文本文件是英语，第二个是法语等?
How do we write a function that would tell us: with such a probability the text in the firstfile is in English, in the second we have French etc?
欢迎链接到书籍/开箱即用的解决方案.我用Java编写，但是如果需要，我可以学习Python.
Links to books / out-of-the-box solutions are welcome. I write in Java, but I can learn Python if needed.
我的评论
- 我需要添加一条小评论.文本可能包含不同语言的短语，这些短语可能是整体的一部分，也可能是由于错误而导致的.在经典文学中，我们有很多例子，因为贵族成员会说多种语言.因此，这种可能性更好地描述了这种情况，因为文本的大部分使用一种语言，而其他部分则可能用另一种语言编写.
- Google API-Internet连接.我宁愿不使用远程功能/服务，因为我需要自己做或使用可下载的库.我想对该主题进行研究.
推荐答案
有一个名为 JLangDetect的程序包似乎完全符合您的要求:
There is a package called JLangDetect which seems to do exactly what you want:
langof("un texte en français") = fr : OK
langof("a text in english") = en : OK
langof("un texto en español") = es : OK
langof("un texte un peu plus long en français") = fr : OK
langof("a text a little longer in english") = en : OK
langof("a little longer text in english") = en : OK
langof("un texto un poco mas largo en español") = es : OK
langof("J'aime les bisounours !") = fr : OK
langof("Bienvenue à Montmartre !") = fr : OK
langof("Welcome to London !") = en : OK
// ...
正如Kevin指出的那样，该软件包提供的 Nutch项目中有类似的功能. org.apache.nutch.analysis.lang .
as Kevin pointed out, there is similar functionality in the Nutch project provided by the package org.apache.nutch.analysis.lang.
这篇关于我如何知道纯文本文件是用哪种语言编写的?的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持！