梵文的音节化答案

【问题标题】：Syllabification of Devanagari梵文的音节化
【发布时间】：2018-04-10 13:42:28
【问题描述】：

我正在尝试对梵文单词进行音节化

धर्मक्षेत्रे -> धर् मक् षेत् रे dharmakeshetre -> dhar mak shet re

wd.split('्')

我得到的结果是：

['धर', 'मक', 'षेत', 'रे']

部分正确

我试试另一个词कुरुक्षेत्र -> कु रुक् षेत् रे kurukshetre -> ku ruk she tre

['कुरुक', 'षेत', 'रे']

结果显然是错误的。

如何有效提取音节？

【问题讨论】：

重复stackoverflow.com/questions/6805311/…

标签： python string python-3.x utf devanagari

【解决方案1】：

如果您逐个字符地查看字符串

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

还有你的其他字符串

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

所以你想要的可能是使用'्'् 拆分这些。我们暂时称它们为符号字符。如果您为第一个符号字符打印ord(data[2])，则它是2381。现在，如果您探索这个值

>>> 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

我们最感兴趣的是2362 和2391 之间的值。所以我们创建了一个这样的值数组

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

接下来我们要查找所有带有或不带有相应符号的模式。

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

这应该让您接近您可能正在寻找的东西。如果您需要更复杂的处理，则必须使用 @OphirYoktan 发布的链接

【讨论】：

非常感谢。我可以从这里拿走

【解决方案2】：

查看unicodedatamodule。

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

分配给每个字符的名称：

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

    
DEVANAGARI LETTER KA
DEVANAGARI VOWEL SIGN U
DEVANAGARI LETTER RA
DEVANAGARI VOWEL SIGN U
DEVANAGARI LETTER KA
DEVANAGARI SIGN VIRAMA
DEVANAGARI LETTER SSA
DEVANAGARI VOWEL SIGN E
DEVANAGARI LETTER TA
DEVANAGARI SIGN VIRAMA
DEVANAGARI LETTER RA

分配给每个字符的一般类别：

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

    
Lo
Mn
Lo
Mn
Lo
Mn
Lo
Mn
Lo
Mn
Lo

FileFormat.info 有一个 Unicode 字符类别列表。

看看这是不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[0] == 'M':
            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']

【讨论】：