1

谈谈我做拼音搜索的一点经验

需要注意的一些事情

本文使用的为 Java 语言解决方案。

搜索方法上,按照个人理解,有两点关键:

  • 分词
    将类似 "women" 这样的词分解成 "wo'men"。经过这样的分词,在搜索时无论通过全拼音匹配,还是首字母匹配,处理起来都比较方便。

  • 词库构建
    目前我接触过的常见搜索场景有两种,它们对词库的建立有如下影响:

  1. 通讯录搜索
    对词库有频繁的添加 / 删除操作。

  2. 站内搜索
    使用预先维护好的词库。

如果是通讯录搜索,可以在新建联系人的时候,把联系人的名字转为拼音,存入数据库中另一个记录拼音的字段,在搜索的时候通过拼音来匹配。
如果是站内搜索,可以直接建立拼音词库,搜索的时候通过拼音来匹配。

实现

首先是词库的构建。毫无疑问,我们需要为词库建一张至少包含中文词汇以及对应的拼音词汇的表。
通讯录搜索,可能会使用一些例如 pinyin4j 的第三方库,将中文字转换为拼音。当然也我们可以自己实现转换拼音的功能,如果这样做,则需要在代码中设定好中文字库和对应的拼音,同时特别注意多音字的处理。

下面是使用 pinyin4j 库的例子。使用 pinyin4j 库可以支持简体 / 繁体中文转换为拼音,而且支持带声调的格式化输出。
我们使用 Maven 来添加 pinyin4j,在 pom.xml 中添加

    <dependencies>
        <dependency>
            <groupId>com.belerweb</groupId>
            <artifactId>pinyin4j</artifactId>
            <version>2.5.0</version>
        </dependency>
    </dependencies>

实现类:

public class Chinese {
    private HanyuPinyinOutputFormat format = null;

    private String[] pinyin;

    public Chinese() {
        format = new HanyuPinyinOutputFormat();
        format.setToneType(HanyuPinyinToneType.WITHOUT_TONE);
        pinyin = null;
    }

    //转换单个中文字符
    public String getCharacterPinYin(char c) {
        try {
            pinyin = PinyinHelper.toHanyuPinyinStringArray(c, format);
        } catch(BadHanyuPinyinOutputFormatCombination e) {
            e.printStackTrace();
        }

        // 如果c不是汉字,返回null
        if(null == pinyin)
            return null;

        // 多音字取第一个值
        return pinyin[0];
    }

    //转换一个字符串
    public String getStringPinYin(String str) {
        StringBuilder sb = new StringBuilder();

        for(int i = 0; i < str.length(); ++i) {
            String tmp = getCharacterPinYin(str.charAt(i));
            if(null == tmp) {
                // 如果str.charAt(i)不是汉字,则保持原样
                sb.append(str.charAt(i));
            } else {
                sb.append(tmp);
                //分词
                if ( i < str.length() - 1 && null != getCharacterPinYin(str.charAt(i + 1))) {
                    sb.append("\'");
                }
            }
        }
        return sb.toString().trim();
    }

    public static void main(String[] args) {
        Chinese chinese = new Chinese();
        String str = "哈哈,我爱 Coding";
        String pinYin = chinese.getStringPinYin(str);
        System.out.println(pinYin);
    }
}

输出的结果

ha'ha,wo'ai Coding

每当有通讯录联系人更新时,采用上述方法更新数据库中的拼音字段即可。

站内搜索,词库来源可以使用搜狗标准词库和细胞词库等。
搜狗标准词库

下载的搜狗词库可以使用深蓝词库转换器来转换成 txt 文件,或者其他输入法的标准格式。
深蓝词库转换 2.0

转换为 txt 文件后,处理以后,修改成为 insert 语句,插入数据库。
图片

最后的关键,就是将输入的拼音分词,然后与数据库中的拼音字段匹配,分词采用正则表达式实现。

分词实现:

public class PinyinUtils {

    //分词正则表达式
    public static String regEx  = "[^aoeiuv]?h?[iuv]?(ai|ei|ao|ou|er|ang?|eng?|ong|a|o|e|i|u|ng|n)?";

    public static String split(String input) {
        int tag = 0;
        StringBuffer sb = new StringBuffer();
        String formatted = "";
        List<String> tokenResult = new ArrayList<String>();
        for (int i = input.length(); i > 0; i = i - tag) {
            Pattern pat = Pattern.compile(regEx);
            Matcher matcher = pat.matcher(input);
            boolean rs = matcher.find();
            sb.append(matcher.group());
            sb.append("\'");
            tag = matcher.end() - matcher.start();
            tokenResult.add(input.substring(0, 1));
            input = input.substring(tag);
        }
        if (sb.length() > 0) {
            formatted = sb.toString().substring(0, sb.toString().length() - 1);
        }
        return formatted;
    }


    public static void main(String[] args) {
        String str = "koudingboke";
        System.out.println(PinyinUtils.split(str));
    }
}

输出结果

kou'ding'bo'ke

根据此输出结果,在词库中匹配即可。

根据以上方式搜索出的词汇,会比较固定。如果有按照搜索频率对搜索结果排序的需求,可以针对每个词汇的查询计数。具体实现这里不再赘述。

个人一点粗浅经验,欢迎各位大牛一起交流。

参考来源

怎样对拼音进行切分?

Brook Zhao

本文来自 Coding 官方技术博客,如需转载请注明出处,谢谢。


CODING
3.3k 声望4k 粉丝

CODING 是腾讯云旗下一站式 DevOps 研发管理平台,向广大开发者及企业研发团队提供代码托管、项目协同、测试管理、持续集成、制品库、持续部署、云原生应用管理 Orbit、团队知识库等系列工具产品,支持 SaaS 模式...