C# 獲取漢字的拼音首字母
當前位置：點晴教程→知識管理交流
→『 技術文檔交流 』
一種是把所有中文字符集合起來組成一個對照表；另一種是依照漢字在Unicode編碼表中的排序來確定拼音的首字母。碰到多音字時就以常用的為準（第一種方法中可以自行更改，方法為手動把該漢字移動到對應的拼音首字母隊列，我們這里介紹第二種。 獲取漢字拼音的首字母是一個在做項目的過程中經(jīng)常需要用到的功能，今天我們主要來探討下C# 獲取漢字的拼音首字母： static void Main(string[] args)
{
Console.WriteLine(GetSpellCode("asdf牛逼你水電費")) ;
Console.ReadKey();
}
/// <summary>
/// 在指定的字符串列表CnStr中檢索符合拼音索引字符串
/// </summary>
/// <param name="CnStr">漢字字符串</param>
/// <returns>相對應的漢語拼音首字母串</returns>
public static string GetSpellCode(string CnStr)
{
string strTemp = "";
int iLen = CnStr.Length;
int i = 0;
for (i = 0; i <= iLen - 1; i++)
{
strTemp += GetCharSpellCode(CnStr.Substring(i, 1));
}
return strTemp;
}
/// <summary>
/// 得到一個漢字的拼音第一個字母，如果是一個英文字母則直接返回大寫字母
/// </summary>
/// <param name="CnChar">單個漢字</param>
/// <returns>單個大寫字母</returns>
private static string GetCharSpellCode(string CnChar)
{
long iCnChar;
byte[] ZW = System.Text.Encoding.Default.GetBytes(CnChar);
//如果是字母，則直接返回
if (ZW.Length == 1)
{
return CnChar.ToUpper();
}
else
{
// get the array of byte from the single char
int i1 = (short)(ZW[0]);
int i2 = (short)(ZW[1]);
iCnChar = i1 * 256 + i2;
}
// iCnChar match the constant
if ((iCnChar >= 45217) && (iCnChar <= 45252))
{
return "A";
}
else if ((iCnChar >= 45253) && (iCnChar <= 45760))
{
return "B";
}
else if ((iCnChar >= 45761) && (iCnChar <= 46317))
{
return "C";
}
else if ((iCnChar >= 46318) && (iCnChar <= 46825))
{
return "D";
}
else if ((iCnChar >= 46826) && (iCnChar <= 47009))
{
return "E";
}
else if ((iCnChar >= 47010) && (iCnChar <= 47296))
{
return "F";
}
else if ((iCnChar >= 47297) && (iCnChar <= 47613))
{
return "G";
}
else if ((iCnChar >= 47614) && (iCnChar <= 48118))
{
return "H";
}
else if ((iCnChar >= 48119) && (iCnChar <= 49061))
{
return "J";
}
else if ((iCnChar >= 49062) && (iCnChar <= 49323))
{
return "K";
}
else if ((iCnChar >= 49324) && (iCnChar <= 49895))
{
return "L";
}
else if ((iCnChar >= 49896) && (iCnChar <= 50370))
{
return "M";
}
else if ((iCnChar >= 50371) && (iCnChar <= 50613))
{
return "N";
}
else if ((iCnChar >= 50614) && (iCnChar <= 50621))
{
return "O";
}
else if ((iCnChar >= 50622) && (iCnChar <= 50905))
{
return "P";
}
else if ((iCnChar >= 50906) && (iCnChar <= 51386))
{
return "Q";
}
else if ((iCnChar >= 51387) && (iCnChar <= 51445))
{
return "R";
}
else if ((iCnChar >= 51446) && (iCnChar <= 52217))
{
return "S";
}
else if ((iCnChar >= 52218) && (iCnChar <= 52697))
{
return "T";
}
else if ((iCnChar >= 52698) && (iCnChar <= 52979))
{
return "W";
}
else if ((iCnChar >= 52980) && (iCnChar <= 53640))
{
return "X";
}
else if ((iCnChar >= 53689) && (iCnChar <= 54480))
{
return "Y";
}
else if ((iCnChar >= 54481) && (iCnChar <= 55289))
{
return "Z";
}
else
return ("?");
} 額外補貼： 1. ASCII碼 我們知道，在計算機內(nèi)部，所有的信息最終都表示為一個二進制的字符串。每一個二進制位（bit）有0和1兩種狀態(tài)，因此八個二進制位就可以組合出256種狀態(tài)，這被稱為一個字節(jié)（byte）。也就是說，一個字節(jié)一共可以用來表示256種不同的狀態(tài)，每一個狀態(tài)對應一個符號，就是256個符號，從0000000到11111111。上個世紀60年代，美國制定了一套字符編碼，對英語字符與二進制位之間的關系，做了統(tǒng)一規(guī)定。這被稱為ASCII碼，一直沿用至今。ASCII碼一共規(guī)定了128個字符的編碼，比如空格“SPACE”是32（二進制00100000），大寫的字母A是65（二進制01000001）。這128個符號（包括32個不能打印出來的控制符號），只占用了一個字節(jié)的后面7位，最前面的1位統(tǒng)一規(guī)定為0。 2、非ASCII編碼 英語用128個符號編碼就夠了，但是用來表示其他語言，128個符號是不夠的。比如，在法語中，字母上方有注音符號，它就無法用ASCII碼表示。于是，一些歐洲國家就決定，利用字節(jié)中閑置的最高位編入新的符號。比如，法語中的é的編碼為130（二進制10000010）。這樣一來，這些歐洲國家使用的編碼體系，可以表示最多256個符號。但是，這里又出現(xiàn)了新的問題。不同的國家有不同的字母，因此，哪怕它們都使用256個符號的編碼方式，代表的字母卻不一樣。 比如，130在法語編碼中代表了é，在希伯來語編碼中卻代表了字母Gimel (ג)，在俄語編碼中又會代表另一個符號。但是不管怎樣，所有這些編碼方式中，0—127表示的符號是一樣的，不一樣的只是128—255的這一段。至于亞洲國家的文字，使用的符號就更多了，漢字就多達10萬左右。一個字節(jié)只能表示256種符號，肯定是不夠的，就必須使用多個字節(jié)表達一個符號。比如，簡體中文常見的編碼方式是GB2312，使用兩個字節(jié)表示一個漢字，所以理論上最多可以表示256x256=65536個符號。中文編碼的問題需要專文討論，這篇筆記不涉及。這里只指出，雖然都是用多個字節(jié)表示一個符號，但是GB類的漢字編碼與后文的Unicode和UTF-8是毫無關系的。 3.Unicode 正如上一節(jié)所說，世界上存在著多種編碼方式，同一個二進制數(shù)字可以被解釋成不同的符號。因此，要想打開一個文本文件，就必須知道它的編碼方式，否則用錯誤的編碼方式解讀，就會出現(xiàn)亂碼。為什么電子郵件常常出現(xiàn)亂碼？就是因為發(fā)信人和收信人使用的編碼方式不一樣?？梢韵胂螅绻幸环N編碼，將世界上所有的符號都納入其中。每一個符號都給予一個獨一無二的編碼，那么亂碼問題就會消失。這就是Unicode，就像它的名字都表示的，這是一種所有符號的編碼。Unicode當然是一個很大的集合，現(xiàn)在的規(guī)?？梢匀菁{100多萬個符號。每個符號的編碼都不一樣，比如，U+0639表示阿拉伯字母Ain，U+0041表示英語的大寫字母A，U+4E25表示漢字“嚴”。具體的符號對應表，可以查詢unicode.org，或者專門的漢字對應表。 4. Unicode的問題 需要注意的是，Unicode只是一個符號集，它只規(guī)定了符號的二進制代碼，卻沒有規(guī)定這個二進制代碼應該如何存儲。 比如，漢字“嚴”的unicode是十六進制數(shù)4E25，轉(zhuǎn)換成二進制數(shù)足足有15位（100111000100101），也就是說這個符號的表示至少需要2個字節(jié)。表示其他更大的符號，可能需要3個字節(jié)或者4個字節(jié)，甚至更多。 這里就有兩個嚴重的問題，第一個問題是，如何才能區(qū)別unicode和ascii？計算機怎么知道三個字節(jié)表示一個符號，而不是分別表示三個符號呢？第二個問題是，我們已經(jīng)知道，英文字母只用一個字節(jié)表示就夠了，如果unicode統(tǒng)一規(guī)定，每個符號用三個或四個字節(jié)表示，那么每個英文字母前都必然有二到三個字節(jié)是0，這對于存儲來說是極大的浪費，文本文件的大小會因此大出二三倍，這是無法接受的。 它們造成的結(jié)果是：1）出現(xiàn)了unicode的多種存儲方式，也就是說有許多種不同的二進制格式，可以用來表示unicode。2）unicode在很長一段時間內(nèi)無法推廣，直到互聯(lián)網(wǎng)的出現(xiàn)。 5.UTF-8 互聯(lián)網(wǎng)的普及，強烈要求出現(xiàn)一種統(tǒng)一的編碼方式。UTF-8就是在互聯(lián)網(wǎng)上使用最廣的一種unicode的實現(xiàn)方式。其他實現(xiàn)方式還包括UTF-16和UTF-32，不過在互聯(lián)網(wǎng)上基本不用。重復一遍，這里的關系是，UTF-8是Unicode的實現(xiàn)方式之一。 UTF-8最大的一個特點，就是它是一種變長的編碼方式。它可以使用1~4個字節(jié)表示一個符號，根據(jù)不同的符號而變化字節(jié)長度。 UTF-8的編碼規(guī)則很簡單，只有二條： 1）對于單字節(jié)的符號，字節(jié)的第一位設為0，后面7位為這個符號的unicode碼。因此對于英語字母，UTF-8編碼和ASCII碼是相同的。 2）對于n字節(jié)的符號（n>1），第一個字節(jié)的前n位都設為1，第n+1位設為0，后面字節(jié)的前兩位一律設為10。剩下的沒有提及的二進制位，全部為這個符號的unicode碼。 代碼二：C# 獲取漢字的拼音首字母和全拼 static void Main(string[] args)
{
string[] maxims = new string[]{
"事常與人違，事總在人為",
"駿馬是跑出來的，強兵是打出來的",
"駕馭命運的舵是奮斗。不抱有一絲幻想，不放棄一點機會，不停止一日努力。 ",
"如果懼怕前面跌宕的山巖，生命就永遠只能是死水一潭",
"懦弱的人只會裹足不前，莽撞的人只能引為燒身，只有真正勇敢的人才能所向披靡"
};
string[] medicines = new string[] {
"聚維酮碘溶液",
"開塞露",
"爐甘石洗劑",
"苯扎氯銨貼",
"魚石脂軟膏",
"莫匹羅星軟膏",
"紅霉素軟膏",
"氫化可的松軟膏",
"曲安奈德軟膏",
"丁苯羥酸乳膏",
"雙氯芬酸二乙胺乳膏",
"凍瘡膏",
"克霉唑軟膏",
"特比奈芬軟膏",
"酞丁安軟膏",
"咪康唑軟膏、栓劑",
"甲硝唑栓",
"復方莪術油栓"
};
Console.WriteLine("UTF8句子拼音：");
foreach (string s in maxims)
{
Console.WriteLine("漢字：{0}\n拼音：{1}\n", s, Pinyin.GetPinyin(s));
}
Encoding gb2312 = Encoding.GetEncoding("GB2312");
Console.WriteLine("GB2312拼音簡碼：");
foreach (string m in medicines)
{
string s = Pinyin.ConvertEncoding(m, Encoding.UTF8, gb2312);
Console.WriteLine("藥品：{0}\n簡碼：{1}\n", s, Pinyin.GetInitials(s, gb2312));
}
Console.ReadKey();
} 該文章在 2021/1/29 18:32:49 編輯過 |
關鍵字查詢
相關文章
正在查詢... 
|
400 186 1886
