Question

我正在使用ICU4C来音译CJK。我想知道是否有可能在ICU中进行分词，将中文文本分成一系列单词，根据某些分词标准定义。

当我尝试音译时，例如：

直接输出html代码而不是作为函数返回值代后处理

使用

Transliterator* myTrans = 
                  Transliterator::createInstance("zh-Latin",UTRANS_FORWARD, err);
UnicodeString str;
str.setTo("直接输出html代码而不是作为函数返回值代后处理");
myTrans->transliterate(str);
str.toUTF8String(st);
std::cout << st << std::endl;

我得到以下输出：

zhí jiē shū chū html dài mǎ ér bù shì zuò wèi hán shù fǎn huí zhí dài hòu chù lǐ

检查在线拼音工具似乎完全没问题，但我的问题是ICU逐字逐字翻译。我正在寻找的东西更像下面的文字（我不知道任何中文，所以下面的文字可能没有任何意义，但它应该展示我感兴趣的输出类型）：

zhíjiē shūchū html dàimǎér bùshì zuò wèihán shùfǎn huízhídài hòu chùlǐ

I have been told ICU 50能够进行分词，但我无法在网页上找到任何文档。想知道你们中是否有人在ICU工作过分词或者知道怎么做，或者你们是否有如此方法的良好联系。

Answer 1

“基于字典的迭代器”不是一个不同的API。只需使用适当的区域设置ID创建ICU字断点迭代器。

icu / source / samples / break中有ICU附带的C / C ++示例

以下示例代码还显示了单词： http://source.icu-project.org/repos/icu/icuapps/trunk/iucsamples/c/s24_brkw/s24_brkw.cpp http://source.icu-project.org/repos/icu/icuapps/trunk/iucsamples/c/s23_brki/

可能是这样的：

  BreakIterator *wordIterator = BreakIterator::createWordInstance(Locale("zh"), status);
UnicodeString text = "Unicode provides a unique number for every character, no matter what the platform, no matter what the program, no matter what the language.";
  wordIterator->setText(text);
  int32_t breakCount = 0;
    int32_t start = wordIterator->first();
    for(int32_t end = wordIterator->next();
        end != BreakIterator::DONE;
        start = end, end = wordIterator->next())
    {
         breakCount++;
    }
  delete wordIterator;

Answer 2

这是我从ICU的邮件列表中得到的回复：

“还有一个全新的online demo正在进行中，它会进行细分并将文本拆分为以下内容 - 选择中文时。希望这会有所帮助。”

直接
输出
html
代码
而不是
作为
函数
返回
值
代
后
处理

这可以解决我的问题，我需要音译这个输出以获得我想要的东西。

使用ICU进行分词

2 个答案: