Java汉字转拼音实现方式

介绍下Java中实现汉字转拼音的实现方式。

---

 █ Unicode

Unicode就是将各国的文字用一个唯一的不重复的2个字节16进制编码来表示，其中包含了日文、韩文与中文字等等文字。比如汉字：一，Unicode编码为：4e00。则汉字“一”唯一对应的编码为“4e00”，“4e00”唯一表示的字符也为“一”，即“一”与“4e00”是相互对应的。

Unicode字符集：

查看Unicode字符集，请戳《Unicode字符集》

中文的Unicode编码范围：4E00-9FA5

（Unicode不区分大小写，9FA5与9fa5相同）

网页截图示例：

4E00：一；4E01：丁；

---

█ 汉字转拼音

（1）将Unicode编码与拼音做对应关系

有了Unicode字符集，我们便很容易地就能知道每一个汉字对应的编码了，每个汉字的拼音我们也是知道的，因此便能够得出每一个编码对应的拼音，比如4E00表示汉字“一”，“一”的拼音为“yi”，因此4E00对应"yi"。同理可得4E01对应"ding"。

（2）汉字转拼音

由于Unicode中的字符编码是16进制的，因此我们需要将中文转换成16进制。使用Java提供的API可以完成转换。

①String#toCharArray，将字符串转换成char数组。

②Integer#toHexString，将char转换成16进制。

String str = "你好，中国";
char[] charArray = str.toCharArray();
StringBuilder sb = new StringBuilder();
for (char c : charArray) {
    String string = Integer.toHexString(c);
    sb.append(string).append(" ");
}
System.out.println("Unicode编码为："+sb.toString());

可以验证下输出的结果是否正确，去Unicode表中查询“你好，中国”对应的编码是否为输出结果。

③找到Unicode对应的拼音

我们简单地维护下“你好中国”四个字的Unicode对应的拼音。

使用Map来维护Unicode对应的拼音，Map的key为Unicode编码，value为其对应的拼音。（这里的Unicode为全小写，转换的时候要注意对应，否则匹配不上）

public static Map map = new HashMap<>();

static {
    map.put("4f60", "ni");
    map.put("597d", "hao");
    map.put("4e2d", "zhong");
    map.put("56fd", "guo");
}

String str = "你好，中国";
char[] charArray = str.toCharArray();
StringBuilder sb = new StringBuilder();
for (char c : charArray) {
    // 因为我维护的Unicode编码都是小写的，所以这里统一转小写以便匹配
    String unicode = Integer.toHexString(c).toLowerCase();
    String pinyin = map.get(unicode);
    if (pinyin != null) {// 可以查询对应的拼音
        sb.append(pinyin);
    } else {// 查询不到对应的拼音，比如字符不是中文等
        sb.append(c);
    }
}
System.out.println("拼音为："+sb.toString());

④源字符串要为UTF-8编码

对于例子中的“你好，中国”字符串，需要为UTF-8编码，否则会出现乱码，对应的Unicode值就不对的。（String对象创建时可以指定编码，不指定则使用默认编码UTF-8）

String str1 = new String("你好".getBytes());
String str2 = new String("你好".getBytes(), Charset.forName("GBK"));
System.out.println("str1="+str1);
System.out.println("str2="+str2);

char[] charArray1 = str1.toCharArray();
String str1Unicode = "";
for (char c : charArray1) {
    str1Unicode+=Integer.toHexString(c);
}
System.out.println("str1 unicode="+str1Unicode);

char[] charArray2 = str2.toCharArray();
String str2Unicode = "";
for (char c : charArray2) {
    str2Unicode+=Integer.toHexString(c);
}
System.out.println("str2 unicode="+str2Unicode);

问题：

（1）对于多音字如何解决？

比如音乐、快乐。在“音乐”中，“乐”的拼音为“yue”；在“快乐”中，“乐”的拼音为“le”。乐的发音不同，如何能匹配到正确的发音对应的拼音呢？难道不会使用穷举法将多音字的所有词组的正确发音都列举出来吧，比如“音乐”记录成“yinyue”，“快乐”记录成“kuaile”。

---

总结：

汉字转拼音，就是借助Unicode编码，汉字与Unicode存在关系，汉字和拼音也存在关系，所以Unicode编码也与拼音存在关系。维护Unicode与拼音的对应关系。转换的时候，将汉字转Unicode，根据Unicode与拼音的对应关系可以找到其对应的拼音，这样自然就找到了汉字对应的拼音了。

 

推荐一个Java工具包，里面有汉字转拼音的工具类。不过它貌似也没有解决多音字的问题。

   com.belerweb
   pinyin4j
   2.5.0

其在文件中维护了Unicode与拼音的关系，如下所示。最后的数字表示拼音的声调，比如ling2，则表示ling，第二声。

3007 (ling2)
4E00 (yi1)
4E01 (ding1,zheng1)
4E02 (kao3)
4E03 (qi1)
4E04 (shang4,shang3)
4E05 (xia4)
4E06 (none0)