汉字转拼音项目pinyin-plus开源
pinyin-plus
汉字转拼音的库，有如下特点
- 拼音数据基于 cc-cedict 、kaifangcidian 开源词库
- 基于拼音词库的数据初始化分词引擎进行分词，准确度高，解决多音字的问题
- 支持繁体字
- 支持自定义词库，词库格式同 cc-cedict 字典格式
- api 简单，分为普通模式、索引模式
项目地址：https://github.com/TapTap/pinyin-plus
使用场景
汉字转拼音，常用于索引引擎场景创建拼音的索引，这个场景的问题一般由两种实现路径，一种是直接使用带拼音的的分词 插件，会自动帮你创建出拼音的索引，还有一种就是自己将汉字转换为拼音字符串，采用空格分隔分词来达到定制化索引的目的。 不论哪种实现路径，都离不开分词和拼音转换。pinyin-plus 的特点是，索引分词的词库和拼音的词库是基于同一套词库， 所以多音词的准确度特别高，而且词库的格式保留了开源词典的格式，词库可以轻松的定时更新。同时也预留了自定义词库的扩展 接口，保留定制化需求的高优先级
性能
- 测试服务参见：src/test/java/com/taptap/pinyin/PinYinWebApiTest.java
- 压测工具 wrk： https://github.com/wg/wrk
#pinyin-plus 的压测数据，测试词语：率土之滨
kl@kldeMacBook-Pro-6 arthas % wrk -t16 -c100 -d15s --latency http://localhost:8080/%E7%8E%87%E5%9C%9F%E4%B9%8B%E6%BB%A8
Running 15s test @ http://localhost:8080/%E7%8E%87%E5%9C%9F%E4%B9%8B%E6%BB%A8
16 threads and 100 connections
Thread Stats Avg Stdev Max +/- Stdev
Latency 733.97us 138.45us 16.40ms 96.12%
Req/Sec 8.19k 293.50 8.90k 87.83%
Latency Distribution
50% 718.00us
75% 739.00us
90% 785.00us
99% 1.02ms
1970023 requests in 15.10s, 266.78MB read
Requests/sec: 130469.56
Transfer/sec: 17.67MB添加依赖
grlade
compile "com.taptap:pinyin-plus:1.0"maven
<dependency>
<groupId>com.taptap</groupId>
<artifactId>pinyin-plus</artifactId>
<version>1.0</version>
</dependency> 使用
//普通模式示例，汉字转换拼音后，单子采用空格隔开输出
@Test
void testToPinYin() {
String pinyin = PinyinPlus.to("率土之滨");
System.err.println(pinyin);
Assertions.assertEquals("shuai tu zhi bin", pinyin);
}
//索引模式示例，汉字转换拼音后，词组采用空格隔开输出
@Test
void testToPinYin2() {
String pinyin = PinyinPlus.toIndex("写的射雕英雄传");
System.err.println(pinyin);
Assertions.assertEquals("xie de shediaoyingxiongzhuan", pinyin);
}自定义词库
在项目 resources 目录下，新增 custom_cedict_ts.u8 文本文件，输入如下格式数据，# 开头的为注释，如：
#自定义词库
血花 血花 [xue4 hua1] //格式保留和开源词库 cc-cedict 一样的风格，遇到相同的词组，自定义的优先级最高，会覆盖系统默认的词组
鸣谢
- 分词引擎采用了 segment , 感谢作者开源
- cc-cedict 、kaifangcidian 开源词库
本文同步分享在 博客“kailing”（other）。
如有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。
