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
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
- 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
gradle
compile "com.github.taptap:pinyin-plus:1.0"
maven
<dependency>
<groupId>com.github.taptap</groupId>
<artifactId>pinyin-plus</artifactId>
<version>1.0</version>
</dependency>
//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);
}
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
- 分词引擎采用了 segment , 感谢作者开源
- cc-cedict 、kaifangcidian 开源词库