正则匹配汉语拼音的难点

马黑黑 · 发表于 2023-1-25 11:48

请马上登录，朋友们都在花潮里等着你哦：）

您需要登录才可以下载或查看，没有账号？立即注册

x

本帖最后由马黑黑于 2023-1-25 12:34 编辑

汉语拼音的重要标志是有声调符号的单韵母，以 a 系列为例， āáǎà 都有声调符号，是明显标志，连同其他的 eiou 等系列，可以以此作为识别拼音的主要特征。我们来看几个拼音的例子：

ā
lā
ān
lān
liāng

以上这些，我们只需要找到 ā 这个重要关键字，然后判断其前其后或有或没有其他字母，就能断定这是汉语拼音。针对这类占绝大多数比例的汉语拼音结构，可以用一个正则表达式去匹配：

let reg_py = /[a-z]*[āáǎàōóǒòēéěèīíǐìūúǔùüǖǘǚǜ][a-z]*/gi;

上述JS正则表达式，头尾都有[a-z]* ，表示拼音的开始部分以及结尾部分，可以是0个或N多个字母；中间较长的一串字符，罗列出全部的标有声调符号的单韵母，它们放在中括号里面，后面没有限制修饰，表示中括号里的这些单韵母出现其中的任意一个。

以上，没什么难度。但，匹配汉语拼音的工作尚未完成。为何？

汉语拼音中，存在一类由轻声韵母组成的结构，比如，“么”字，拼音标为 me，它的写法和英文单词一模一样，这类情况还不少见。

还有一种情形，与轻声韵母有关但又不同于上述情况，有分隔符 ' 的拼音。比如“皮袄”，拼音可记为 pi'ǎo，这里面是两个拼音，pi 和 ǎo，这也给匹配带来麻烦，会被视为一个拼音，处理起来有一定的复杂度。

要区分读轻声的拼音和英文单词，正则表达式无能为力。可以一试的思路是，扩展搜寻读轻声韵母的前后是否是拼音，如果是，则大致上（大概率）构成这一部分的这个韵母是读轻声的韵母。思路而已，没有去尝试，估计不是很容易实现。