歡迎光臨
每天分享高質量文章

專案里檔案名永遠不要用中文!永遠不要!

(點擊上方快速關註並設置為星標,一起學Python)

來源:進擊的Coder  鏈接:

https://mp.weixin.qq.com/s/NvA3j8Ns1-6CFgWpUcWwQw

最近碰到了一個問題,專案中很多檔案都是接手過來的中文命名的一些素材,結果在部署的時候檔案名全都亂碼了,導致專案無法正常運行。

類似這樣子,什麼都識別不了:

後來請教了一位大佬怎麼解決檔案名亂碼的問題,他說這個需要正面解決嗎?不需要,把檔案名全部改掉,檔案名永遠不要用中文,永遠不要。

我想他這麼說的話,一定也是憑經驗得出來的。

這裡也友情提示大家,專案裡面檔案永遠不要用中文,永遠不要!

好,那不用中文用啥?平時來看,一般我們都會用英文來命名,一般也不會出現中文,比如 resource, controller, result, view, spider 等等,所以絕大多數情況下,是不會出現什麼問題的。但是也有個別的情況,比如一些素材、資源檔案可能的中文命名的,那麼這時候該咋辦呢?

首先像,因為是中文資源檔案,我們要改成非中文命名的,無非兩種,一種是英文,一種是拼音。

如果改英文,當然可以翻譯、我們想翻譯的話,逐個人工翻譯成本太高,機器翻譯的話,翻譯完可能有些文不對題了,而且我們自己也不知道一些奇怪的資源英語應該叫什麼,所以到時候真的找起來都找不到了。

所以第二種解決方案,那就是拼音了。中文轉拼音,很自然,而且一個字就對應一串拼音,而且也非常容易從拼音看懂是什麼意思,所以這確實是一個不錯的方案。

那麼問題就來了,怎樣把一批中文檔案轉拼音命名呢?下麵就讓我們來瞭解 Python 的一個庫 PyPinyin 吧!

概述

Python 中提供了漢字轉拼音的庫,名字叫做 PyPinyin,可以用於漢字註音、排序、檢索等等場合,是基於 hotto/pinyin 這個庫開發的,一些站點鏈接如下:

  • GitHub:

    https://github.com/mozillazg/python-pinyin

  • 文件:

    https://pypinyin.readthedocs.io/zh_CN/master/

  • PyPi:

    https://pypi.org/project/pypinyin/

它有這麼幾個特性:

  • 根據詞組智慧匹配最正確的拼音。

  • 支持多音字。

  • 簡單的繁體支持, 註音支持。

  • 支持多種不同拼音/註音風格。

是不是等不及了呢?那就讓我們來瞭解一下它的用法吧!

安裝

首先就是這個庫的安裝了,通過 pip 安裝即可:

pip3 install pypinyin

安裝完成之後匯入一下這個庫,如果不報錯,那就說明安裝成功了。

>>> import pypinyin

好,接下來我們看下它的具體功能。

基本拼音

首先我們進行一下基本的拼音轉換,方法非常簡單,直接呼叫 pinyin 方法即可:

from pypinyin import pinyin
print(pinyin('中心'))

運行結果:

[['zhōng'], ['xīn']]

可以看到結果會是一個二維的串列,每個元素都另外成了一個串列,其中包含了每個字的讀音。

那麼如果這個詞是多音字咋辦呢?比如 “朝陽”,它有兩個讀音,我們拿來試下:

from pypinyin import pinyin
print(pinyin('朝陽'))

運行結果:

[['zhāo'], ['yáng']]

好吧,它只給出來了一個讀音,但是如果我們想要另外一種讀音咋辦呢?

其實很簡單,只需添加 heteronym 引數並設置為 True 就好了,我們試下:

from pypinyin import pinyin
print(pinyin('朝陽', heteronym=True))

運行結果:

[['zhāo''cháo'], ['yáng']]

OK 了,這下子就顯示出來了兩個讀音了,而且我們也明白了結果為什麼是一個二維串列,因為裡面的一維的結果可能是多個,比如多音字的情況就是這樣。

但這個多少解析起來有點麻煩,很多情況下我們是不需要管多音字的,我們只是用它來轉換一下名字而已,而處理上面的二維陣列又比較麻煩。

所以有沒有一個方法直接給我們一個一維串列呢?有!

我們可以使用 lazy_pinyin 這個方法來生成,嘗試一下:

from pypinyin import pinyin
print(pinyin('聰明的小兔子'))

運行結果:

['cong''ming''de''xiao''tu''zi']

這時候觀察到得到的是一個串列,並且不再包含音調了。

這裡我們就有一個疑問了,為啥 pinyin 方法傳回的結果預設是帶音調的,而 lazy_pinyin 是不帶的,這裡面就涉及到一個風格轉換的問題了。

風格轉換

我們可以對結果進行一些風格轉換,比如不帶聲調風格、標準聲調風格、聲調在拼音之後、聲調在韻母之後、註音風格等等,比如我們想要聲調放在拼音後面,可以這麼來實現:

from pypinyin import lazy_pinyin, Style

style = Style.TONE3
print(lazy_pinyin('聰明的小兔子', style=style))

運行結果:

['cong1''ming2''de''xiao3''tu4''zi']

可以看到運行結果每個拼音後面就多了一個聲調,這就是其中的一個風格,叫做 TONE3,其實還有很多風格,下麵是我從原始碼裡面找出來的定義:

#: 普通風格,不帶聲調。如: 中國 -> ``zhong guo``
NORMAL = 0
#: 標準聲調風格,拼音聲調在韻母第一個字母上(預設風格)。如: 中國 -> ``zhōng guó``
TONE = 1
#: 聲調風格2,即拼音聲調在各個韻母之後,用數字 [1-4] 進行表示。如: 中國 -> ``zho1ng guo2``
TONE2 = 2
#: 聲調風格3,即拼音聲調在各個拼音之後,用數字 [1-4] 進行表示。如: 中國 -> ``zhong1 guo2``
TONE3 = 8
#: 聲母風格,只傳回各個拼音的聲母部分(註:有的拼音沒有聲母,詳見 `#27`_)。如: 中國 -> ``zh g``
INITIALS = 3
#: 首字母風格,只傳回拼音的首字母部分。如: 中國 -> ``z g``
FIRST_LETTER = 4
#: 韻母風格,只傳回各個拼音的韻母部分,不帶聲調。如: 中國 -> ``ong uo``
FINALS = 5
#: 標準韻母風格,帶聲調,聲調在韻母第一個字母上。如:中國 -> ``ōng uó``
FINALS_TONE = 6
#: 韻母風格2,帶聲調,聲調在各個韻母之後,用數字 [1-4] 進行表示。如: 中國 -> ``o1ng uo2``
FINALS_TONE2 = 7
#: 韻母風格3,帶聲調,聲調在各個拼音之後,用數字 [1-4] 進行表示。如: 中國 -> ``ong1 uo2``
FINALS_TONE3 = 9
#: 註音風格,帶聲調,陰平(第一聲)不標。如: 中國 -> ``ㄓㄨㄥ ㄍㄨㄛˊ``
BOPOMOFO = 10
#: 註音風格,僅首字母。如: 中國 -> ``ㄓ ㄍ``
BOPOMOFO_FIRST = 11
#: 漢語拼音與俄語字母對照風格,聲調在各個拼音之後,用數字 [1-4] 進行表示。如: 中國 -> ``чжун1 го2``
CYRILLIC = 12
#: 漢語拼音與俄語字母對照風格,僅首字母。如: 中國 -> ``ч г``
CYRILLIC_FIRST = 13

有了這些,我們就可以輕鬆地實現風格轉換了。

好,再回到原來的問題,為什麼 pinyin 的方法預設帶聲調,而 lazy_pinyin 方法不帶聲調,答案就是:它們二者使用的預設風格不同,我們看下它的函式定義就知道了:

pinyin 方法的定義如下:

def pinyin(hans, style=Style.TONE, heteronym=False, errors='default', strict=True)

lazy_pinyin 方法的定義如下:

def lazy_pinyin(hans, style=Style.NORMAL, errors='default', strict=True)

這下懂了吧,因為 pinyin 方法預設使用了 TONE 的風格,而 lazy_pinyin 方法預設使用了 NORMAL 的風格,所以就導致二者傳迴風格不同了。

好了,有了這兩個函式的定義,我們再來研究下其他的引數,比如定義裡面的 errors 和 strict 引數又怎麼用呢?

錯誤處理

在這裡我們先做一個測試,比如我們傳入無法轉拼音的字,比如:

from pypinyin import lazy_pinyin
print(lazy_pinyin('你好☆☆,我是xxx'))

其中包含了星號兩個,還有標點一個,另外還包含了一個 xxx 英文字符,結果會是什麼呢?

['ni''hao''☆☆,''wo''shi''xxx']

可以看到結果中星號和英文字符都作為一個整體並原模原樣傳回了。

那麼這種特殊字符可以單獨進行處理嗎?當然可以,這裡就用到剛纔提到的 errors 引數了。

errors 引數是有幾種樣式的:

  • default:預設行為,不處理,原木原樣傳回

  • ignore:忽略字符,直接拋掉

  • replace:直接替換為去掉 \u 的 unicode 編碼

  • callable 物件:當傳入一個可呼叫的物件的時候,則可以自定義處理方式。

下麵是 errors 這個引數的原始碼實現邏輯:

def _handle_nopinyin_char(chars, errors='default'):
    """處理沒有拼音的字符"""
    if callable_check(errors):
        return errors(chars)

    if errors == 'default':
        return chars
    elif errors == 'ignore':
        return None
    elif errors == 'replace':
        if len(chars) > 1:
            return ''.join(text_type('%x' % ord(x)) for x in chars)
        else:
            return text_type('%x' % ord(chars))

當處理沒有拼音的字符的時候,errors 的不同引數會有不同的處理結果,更詳細的邏輯可以翻看原始碼。

好了,下麵我們來嘗試一下,比如我們想將不能轉拼音的字符去掉,則可以這麼設置:

from pypinyin import lazy_pinyin
print(lazy_pinyin('你好☆☆,我是xxx', errors='ignore'))

運行結果:

['ni''hao''wo''shi']

如果我們想要自定義處理,比如把  轉化為  ,則可以這麼設置:

print(lazy_pinyin('你好☆☆,我是xxx', errors=lambda item: ''.join(['※' if c == '☆' else c for c in item])))

運行結果:

['ni''hao''※※,''wo''shi''xxx']

如上便是一些相關異常處理的操作,我們可以隨心所欲地處理自己想處理的字符了。

嚴格樣式

最後再看下 strict 樣式,這個引數用於控制處理聲母和韻母時是否嚴格遵循 《漢語拼音方案》 標準。

下麵的一些說明來源於官方文件:

當 strict 引數為 True 時根據 《漢語拼音方案》 的如下規則處理聲母、在韻母相關風格下還原正確的韻母:

  • 21 個聲母: b p m f d t n l g k h j q x zh ch sh r z c s y, w 不是聲母

  • i行的韻母,前面沒有聲母的時候,寫成yi(衣),ya(呀),ye(耶),yao(腰),you(憂),yan(煙), yin(因),yang(央),ying(英),yong(雍)。(y 不是聲母

  • u行的韻母,前面沒有聲母的時候,寫成wu(烏),wa(蛙),wo(窩),wai(歪),wei(威),wan(彎), wen(溫),wang(汪),weng(翁)。(w 不是聲母

  • ü行的韻母,前面沒有聲母的時候,寫成yu(迂),yue(約),yuan(冤),yun(暈);ü上兩點省略。 (韻母相關風格下還原正確的韻母 ü

  • ü行的韻跟聲母j,q,x拼的時候,寫成ju(居),qu(區),xu(虛),ü上兩點也省略; 但是跟聲母n,l拼的時候,仍然寫成nü(女),lü(呂)。(韻母相關風格下還原正確的韻母 ü

  • iou,uei,uen前面加聲母的時候,寫成iu,ui,un。例如niu(牛),gui(歸),lun(論)。 (韻母相關風格下還原正確的韻母 iou,uei,uen

當 strict 為 False 時就是不遵守上面的規則來處理聲母和韻母, 比如:y, w 會被當做聲母,yu(迂) 的韻母就是一般認為的 u 等。

具體差異可以查看原始碼中 tests/test_standard.py 中的對比結果測試用例。

自定義拼音

如果對庫傳回的結果不滿意,我們還可以自定義自己的拼音庫,這裡用到的方法就有 load_single_dict 和 load_phrases_dict 方法了。

比如剛纔我們看到 “朝陽” 兩個字的發音預設傳回的是 zhao yang,我們想預設傳回 chao yang,那可以這麼做:

from pypinyin import lazy_pinyin, load_phrases_dict

print(lazy_pinyin('朝陽'))
personalized_dict = {
    '朝陽': [['cháo'], ['yáng']]
}
load_phrases_dict(personalized_dict)
print(lazy_pinyin('朝陽'))

這裡我們自定義了一個詞典,然後使用 load_phrases_dict 方法設置了一下就可以了。

運行結果:

['zhao''yang']
['chao''yang']

這樣就可以完成自定義的設置了。

在一些專案裡面我們可以自定義很多拼音庫,然後加載就可以了。

另外我們還可以註冊樣式實現自定義,比如將某個拼音前面加上 Emoji 表情,樣例:

from pypinyin.style import register
from pypinyin import lazy_pinyin

@register('kiss')
def kiss(pinyin, **kwargs):
    if pinyin == 'me':
        return f'?{pinyin}'
    return pinyin

print(lazy_pinyin('麽麽噠', style='kiss'))

運行結果:

['?me''?me''dá']

這裡我們呼叫 register 方法註冊了一個樣式 style,然後轉換的時候指定即可,通過觀察運行結果我們可以發現,這樣我們就可以將 me 字的拼音前面加上 ? 這個 Emoji 表情了。

以上就是 PyPinyin 這個庫的基本用法,更多的用法建議大家看看原始碼或者看 API 文件:https://pypinyin.readthedocs.io/zh_CN/master/api.html。

最後,公眾號後臺回覆“拼音”,獲取本節全部代碼。

赞(0)

分享創造快樂