天成文书音节

Question

我在试着给梵文的单词编音节

धर्मकषेत् 达尔玛克舍特

wd.split('्')

我得到的结果是：

^{pr2}$

这是部分正确的

我试着用另一个词कुकषेत्->；कुरककेेेरे kurukshetre->；ku ruk she tre

['कुरुक', 'षेत', 'रे']

结果显然是错误的。在

如何有效地提取音节？在

Answer 1

如果你逐个看你的字符串

>>> data = "कुरुक्षेत्र"
>>> re.findall(".", data)
['क', 'ु', 'र', 'ु', 'क', '्', 'ष', 'े', 'त', '्', 'र']

还有你的另一根绳子

^{pr2}$

所以您需要的是使用'्'्来拆分这些。现在我们把它们称为符号字符。如果为第一个符号字符打印ord(data[2])，则它是2381。现在，如果你探究一下这个值

>>> for i in range(2350, 2400):
...     print(i, chr(i))
...
2350 म
2351 य
2352 र
2353 ऱ
2354 ल
2355 ळ
2356 ऴ
2357 व
2358 श
2359 ष
2360 स
2361 ह
2362 ऺ
2363 ऻ
2364 ़
2365 ऽ
2366 ा
2367 ि
2368 ी
2369 ु
2370 ू
2371 ृ
2372 ॄ
2373 ॅ
2374 ॆ
2375 े
2376 ै
2377 ॉ
2378 ॊ
2379 ो
2380 ौ
2381 ्
2382 ॎ
2383 ॏ
2384 ॐ
2385 ॑
2386 ॒
2387 ॓
2388 ॔
2389 ॕ
2390 ॖ
2391 ॗ
2392 क़
2393 ख़
2394 ग़
2395 ज़
2396 ड़
2397 ढ़
2398 फ़
2399 य़

我们主要对2362和{}之间的值感兴趣。所以我们创建一个这样的值数组

>>> split = ""
>>> for i in range(2362, 2392):
...     split += chr(i)

下一步我们要找一个没有符号的图案。在

>>> re.findall(".[" + split + "]?", "धर्मक्षेत्रे")
['ध', 'र्', 'म', 'क्', 'षे', 'त्', 'रे']
>>> re.findall(".[" + split + "]?", "कुरुक्षेत्र")
['कु', 'रु', 'क्', 'षे', 'त्', 'र']

这会让你接近你想要的东西。如果您需要更复杂的处理，那么您将不得不使用@OphirYoktan发布的链接

Answer 2

查看unicodedatamodule。在

>>> import unicodedata
>>> word = 'कुरुक्षेत्र'

分配给每个字符的名称：

^{pr2}$

分配给每个字符的常规类别：

>>> for ch in word:
        print(unicodedata.category(ch))


Lo
Mn
Lo
Mn
Lo
Mn
Lo
Mn
Lo
Mn
Lo

FileFormat.info具有Unicode字符类别列表。在

看看这是否是你想要达到的目标：

import unicodedata

def split_clusters(txt):
    """ Generate grapheme clusters for the Devanagari text."""

    stop = '्'
    cluster = u''
    end = None

    for char in txt:
        category = unicodedata.category(char)
        if (category == 'Lo' and end == stop) or category == 'Mn':
            cluster = cluster + char        
        else:
            if cluster:
                yield cluster
            cluster = char
        end = char

    if cluster:
        yield cluster

测试功能：

>>> list(split_clusters('धर्मक्षेत्रे'))
['ध', 'र्म', 'क्षे', 'त्रे']
>>> list(split_clusters('कुरुक्षेत्र'))
['कु', 'रु', 'क्षे', 'त्र']