pinyin4j
以前写WEB的时候简单使用过pinyin4j, 感觉叼叼的, 也没有细看, 最近就在面试中被问到相关问题, 回来仔细看一下, 没想到如此简单, 悔当初没有花上一个小时看看这东西.
pinyin4j使用
pinyin4j使用极其简单
String[] pinyinArray =PinyinHelper.toHanyuPinyinStringArray('常');
就可以拿到汉字的拼音, 拼音的格式可以通过下列的参数进行配置
/**
* The option indicates that hanyu pinyin is outputted with tone numbers
*/
public static final HanyuPinyinToneType WITH_TONE_NUMBER = new HanyuPinyinToneType("WITH_TONE_NUMBER");
/**
* The option indicates that hanyu pinyin is outputted without tone numbers
* or tone marks
*/
public static final HanyuPinyinToneType WITHOUT_TONE = new HanyuPinyinToneType("WITHOUT_TONE");
/**
* The option indicates that hanyu pinyin is outputted with tone marks
*/
public static final HanyuPinyinToneType WITH_TONE_MARK = new HanyuPinyinToneType("WITH_TONE_MARK");
pinyin4j简单分析
pinyin4j使用再简单不过了, 接下来我们再看看他的实现, 就从我们使用的PinyinHelper开始看:
//用来查询拼音的方法
static public String[] toHanyuPinyinStringArray(char ch) {
return getUnformattedHanyuPinyinStringArray(ch);
}
//直接使用了ChineseToPinyinResourceHolder.theInstance中的方法, 这个instance就是在接下来的代码中进行初始化的
private static String[] getUnformattedHanyuPinyinStringArray(char ch) {
return ChineseToPinyinResource.getInstance().getHanyuPinyinStringArray(ch);
}
static ChineseToPinyinResource getInstance() {
return ChineseToPinyinResourceHolder.theInstance;
}
//就是在这里, 写在了静态成员中, 代表着这东西不管你用或者不用, 它就在那里, 占着内存, 在WEB的时候问题还不太明显, 可是到了手机这边, 这几乎上是不能忍的
private static class ChineseToPinyinResourceHolder{
static final ChineseToPinyinResource theInstance = new ChineseToPinyinResource();
}
private ChineseToPinyinResource() {
initializeResource();
}
//在这里进行了真下的初始化, 就是用一个Properties把文件中的数据放到内存中, 真是简单到不能再简单了, 同时也说明了可以优化的空间还是有很大的
private void initializeResource() {
try {
final String resourceName = "/pinyindb/unicode_to_hanyu_pinyin.txt";
setUnicodeToHanyuPinyinTable(new Properties());
getUnicodeToHanyuPinyinTable().load(ResourceHelper.getResourceInputStream(resourceName));
} catch (FileNotFoundException ex) {
ex.printStackTrace();
} catch (IOException ex) {
ex.printStackTrace();
}
}
具体文件中的内容见下图
unicode_to_hanyu_pinyin.txt的内容
第一列就是将每一个汉字的char转换成16进制的形式. 第二列是此字对应的所有拼音.
在ChineseToPinyinResource中真正进行查找的方法是
String[] getHanyuPinyinStringArray(char ch) {
//真正进行查找的
String pinyinRecord = getHanyuPinyinRecordFromChar(ch);
if (null != pinyinRecord) {
int indexOfLeftBracket = pinyinRecord.indexOf(Field.LEFT_BRACKET);
int indexOfRightBracket = pinyinRecord.lastIndexOf(Field.RIGHT_BRACKET);
String stripedString = pinyinRecord.substring(indexOfLeftBracket
+ Field.LEFT_BRACKET.length(), indexOfRightBracket);
return stripedString.split(Field.COMMA);
} else
return null; // no record found or mal-formatted record
}
private String getHanyuPinyinRecordFromChar(char ch) {
// convert Chinese character to code point (integer)
// please refer to http://www.unicode.org/glossary/#code_point
// Another reference: http://en.wikipedia.org/wiki/Unicode
int codePointOfChar = ch;
//直接变成16进制进行查找
String codepointHexStr = Integer.toHexString(codePointOfChar).toUpperCase();
// fetch from hashtable, 直接拿着16进制的字去找.简直不能再简单
String foundRecord = getUnicodeToHanyuPinyinTable().getProperty(codepointHexStr);
return isValidRecord(foundRecord) ? foundRecord : null;
}
应该怎么用
pinyin4j是有一些优化空间的, 尤其是使用在手机上的时候
- 首先应该在合适的地进行初始化数据, 不能一进来就进行
- 看上面的图中, 有大量的重重拼音的存储, 这个是很耗费空间的, 一个"chang"就是10个字节, 而每个"chang"又对应数十个字, 所以会将"chang"存数十份, 极浪费内存, 这在数据库中就是不符合范式, 就多加一个表进行二次查找
- 别外, 我们只对表进行查找, 应该找到更合适的存储方式, 而不是去使用Properties, 因为..
class Properties extends Hashtable<Object,Object> {
....
}
