摘要：談談我做拼音搜索的一點經(jīng)驗需要注意的一些事情本文使用的為語言解決方案。當然也我們可以自己實現(xiàn)轉(zhuǎn)換拼音的功能，如果這樣做，則需要在代碼中設(shè)定好中文字庫和對應的拼音，同時特別注意多音字的處理。

本文使用的為 Java 語言解決方案。

搜索方法上，按照個人理解，有兩點關(guān)鍵:

分詞
將類似 "women" 這樣的詞分解成 "wo"men"。經(jīng)過這樣的分詞，在搜索時無論通過全拼音匹配，還是首字母匹配，處理起來都比較方便。

詞庫構(gòu)建
目前我接觸過的常見搜索場景有兩種，它們對詞庫的建立有如下影響:

通訊錄搜索
對詞庫有頻繁的添加 / 刪除操作。

站內(nèi)搜索
使用預先維護好的詞庫。

  
如果是通訊錄搜索，可以在新建聯(lián)系人的時候，把聯(lián)系人的名字轉(zhuǎn)為拼音，存入數(shù)據(jù)庫中另一個記錄拼音的字段，在搜索的時候通過拼音來匹配。

  如果是站內(nèi)搜索，可以直接建立拼音詞庫，搜索的時候通過拼音來匹配。

首先是詞庫的構(gòu)建。毫無疑問，我們需要為詞庫建一張至少包含中文詞匯以及對應的拼音詞匯的表。
通訊錄搜索，可能會使用一些例如 pinyin4j 的第三方庫，將中文字轉(zhuǎn)換為拼音。當然也我們可以自己實現(xiàn)轉(zhuǎn)換拼音的功能，如果這樣做，則需要在代碼中設(shè)定好中文字庫和對應的拼音，同時特別注意多音字的處理。

下面是使用 pinyin4j 庫的例子。使用 pinyin4j 庫可以支持簡體 / 繁體中文轉(zhuǎn)換為拼音，而且支持帶聲調(diào)的格式化輸出。
我們使用 Maven 來添加 pinyin4j，在 pom.xml 中添加

    
        
            com.belerweb
            pinyin4j
            2.5.0
        
    

實現(xiàn)類:

public class Chinese {
    private HanyuPinyinOutputFormat format = null;

    private String[] pinyin;

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

    //轉(zhuǎn)換單個中文字符
    public String getCharacterPinYin(char c) {
        try {
            pinyin = PinyinHelper.toHanyuPinyinStringArray(c, format);
        } catch(BadHanyuPinyinOutputFormatCombination e) {
            e.printStackTrace();
        }

        // 如果c不是漢字，返回null
        if(null == pinyin)
            return null;

        // 多音字取第一個值
        return pinyin[0];
    }

    //轉(zhuǎn)換一個字符串
    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)不是漢字，則保持原樣
                sb.append(str.charAt(i));
            } else {
                sb.append(tmp);
                //分詞
                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，我愛 Coding";
        String pinYin = chinese.getStringPinYin(str);
        System.out.println(pinYin);
    }
}

輸出的結(jié)果

ha"ha，wo"ai Coding

每當有通訊錄聯(lián)系人更新時，采用上述方法更新數(shù)據(jù)庫中的拼音字段即可。

站內(nèi)搜索，詞庫來源可以使用搜狗標準詞庫和細胞詞庫等。
搜狗標準詞庫

下載的搜狗詞庫可以使用深藍詞庫轉(zhuǎn)換器來轉(zhuǎn)換成 txt 文件，或者其他輸入法的標準格式。
深藍詞庫轉(zhuǎn)換 2.0

轉(zhuǎn)換為 txt 文件后，處理以后，修改成為 insert 語句，插入數(shù)據(jù)庫。

最后的關(guān)鍵，就是將輸入的拼音分詞，然后與數(shù)據(jù)庫中的拼音字段匹配，分詞采用正則表達式實現(xiàn)。

分詞實現(xiàn)：

public class PinyinUtils {

    //分詞正則表達式
    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 tokenResult = new ArrayList();
        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));
    }
}

輸出結(jié)果

kou"ding"bo"ke

根據(jù)此輸出結(jié)果，在詞庫中匹配即可。

根據(jù)以上方式搜索出的詞匯，會比較固定。如果有按照搜索頻率對搜索結(jié)果排序的需求，可以針對每個詞匯的查詢計數(shù)。具體實現(xiàn)這里不再贅述。

個人一點粗淺經(jīng)驗，歡迎各位大牛一起交流。

怎樣對拼音進行切分？

  
Brook Zhao

本文來自 Coding 官方技術(shù)博客，如需轉(zhuǎn)載請注明出處，謝謝。