Question

我正在尝试将Gujarati（一种Indian语言）单词标记成字符。

示例：是单词，那么我想要像[વા，ન，ર]这样的字符列表

我尝试将java.text.BreakIterator与Gujarati locale一起使用，但是没有用。尽管它非常适合Hindi。

这是代码：

import java.text.*;
import java.util.*;

public class Language{
    public static void main(String[] args) {
        String text = "વાનર";
        Locale gujarati = new Locale("gu","IN");
        BreakIterator breaker = BreakIterator.getCharacterInstance(gujarati);
        breaker.setText(text);
        int start = breaker.first();
        for (int end = breaker.next(); end != BreakIterator.DONE; start = end, end = breaker.next()) {
            System.out.println(text.substring(start,end));
        }    
    }
}

输出：

વ
ા
ન
ર

有没有可以正确执行此操作的库？我可以使用Java

以外的其他语言

Answer 1

不确定该库是否提供所需的确切解决方案，但我编写了一个名为MgntUtils的库，并将其作为开源发布，可以在Maven Central上作为Maven工件使用（请参见here）以及github上都有一个实用程序，可将任何String转换为unicode序列，反之亦然。您所要做的就是：

String codes = StringUnicodeEncoderDecoder.encodeStringToUnicodeSequence("Hello world");

它将返回字符串"\u0048\u0065\u006c\u006c\u006f\u0020\u0057\u006f\u0072\u006c\u0064"

这对于任何语言（包括特殊字符）的任何String都适用。有一种方法可以解码回去：

decodeUnicodeSequenceToString(String unicodeSequence)

这里是javadoc链接。您可以轻松地将unicode序列字符串分解为单个unicode，并像这样存储它们，甚至可以将它们转换回为单独的Strings并获取您的字符。这是指向有关该库的文章Open Source Java library with stack trace filtering, Silent String parsing Unicode converter and Version comparison的链接

Answer 2

我编写了一个小的python函数，将Gujarati的单词转换为Syllables的列表。我的代码受此Github存储库libindic/syllabalizer的启发。

代码：

def syllabify_gu(text):
        signs = [u'\u0abe',
                u'\u0abf',
                u'\u0ac0', 
                u'\u0ac1', 
                u'\u0ac2', 
                u'\u0ac3', 
                u'\u0ac4', 
                u'\u0ac5',
                u'\u0ac7', 
                u'\u0ac8', 
                u'\u0ac9',
                u'\u0acb',
                u'\u0acc',
                u'\u0a81',
                u'\u0a82',
                u'\u0a83',
                u'\u0acd'] 
        limiters = ['\"', '\'', '`', '!', ';', ', ', '?', '.']

        lst_chars = []
        for char in text:
            if char in limiters:
                lst_chars.append(char)
            elif char in signs:
                lst_chars[-1] = lst_chars[-1] + char
            else:
                try:
                    if char == u'\u0ab0' and len(lst_chars) > 0 and lst_chars[-1][-1] == u'\u0acd' and lst_chars[-1][-2] == u'\u0aa4': 
                        lst_chars[-1] = lst_chars[-1] + char
                    else:
                        lst_chars.append(char)
                except IndexError:
                    lst_chars.append(char)

        return lst_chars

syllabify_gu("સંગીત એ એવું પવિત્ર ઝરણું છે, જેનાં વહેતા તરંગોથી અંતરનાં તાર રણઝણી ઉઠે છે.")

输出：

['સં',
 'ગી',
 'ત',
 ' ',
 'એ',
 ' ',
 'એ',
 'વું',
 ' ',
 'પ',
 'વિ',
 'ત્ર',
 ' ',
 'ઝ',
 'ર',
 'ણું',
 ' ',
 'છે',
 ',',
 ' ',
 'જે',
 'નાં',
 ' ',
 'વ',
 'હે',
 'તા',
 ' ',
 'ત',
 'રં',
 'ગો',
 'થી',
 ' ',
 'અં',
 'ત',
 'ર',
 'નાં',
 ' ',
 'તા',
 'ર',
 ' ',
 'ર',
 'ણ',
 'ઝ',
 'ણી',
 ' ',
 'ઉ',
 'ઠે',
 ' ',
 'છે',
 '.']

查找古吉拉特语字符here的Unicode。

将单词标记成古吉拉特语的音节（古吉拉特语字符）

2 个答案: