Распознавание текста как упрощенный и традиционный китайский

учитывая блок текста, который, как известно, китайский и закодирован в UTF-8, есть ли способ определить, является ли он упрощенным или традиционным?

6
cjk language-detection php unicode

2 ответов

Я не знаю, будет ли это работать, но я бы попытался использовать iconv, чтобы увидеть, будет ли он правильно переводить между кодировками, сравнивая результаты того же преобразования с //TRANSLIT и //IGNORE. Если два результата совпадают, преобразование кодировок не встретило символов, которые не удалось перевести, поэтому у вас должно быть совпадение.

$test1 = iconv("UTF-8", "big5//TRANSLIT", $text);
$test2 = iconv("UTF-8", "big5//IGNORE", $text);
if ($test1 == $test2) {
   echo 'traditional';
} else {
   $test3 = iconv("UTF-8", "gb2312//TRANSLIT", $text);
   $test4 = iconv("UTF-8", "gb2312//IGNORE", $text);
   if ($test3 == $test4) {
      echo 'simplified';
   } else {
      echo 'Failed to match either traditional or simplified';
   }
}
3

С big5 и gb2312 опустите довольно много часто используемых вариантов, которые присутствуют в Unicode, код полагается на точное соответствие между translit и ignore режимы потерпят неудачу во многих обычных случаях использования: он не сможет идентифицировать 説話 как традиционный китайский несмотря 説 быть общим вариантом в Гонконге для 說, который используется в big5.

простое исправление - сделать это нечетким способом:

$test1 = iconv("UTF-8", "big5//IGNORE", $text);
$test2 = iconv("UTF-8", "gb2312//IGNORE", $text);
$len1 = mb_strlen($test1);
$len2 = mb_strlen($test2);
$len0 = mb_strlen($text) * 0.8; // threshold
if ($len1 > $len2 && $len1 > $len0) {
    return 'Likely Traditional';
}
if ($len2 > $len1 && $len2 > $len0) {
    return 'Likely Simplified';
}
return 'Could not identify';
0