Распознавание текста как упрощенного по сравнению с традиционным китайским языком

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

2 6
php unicode language-detection

2 ответа:

Я не знаю, будет ли это работать, но я бы попробовал использовать iconv, чтобы увидеть, будет ли он правильно переводить между кодировками, сравнивая результаты того же преобразования с //TRANSLIT и //IGNORE. Если два результата совпадают, то преобразование кодировки не встретило символов, которые не удалось перевести, поэтому вы должны иметь 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

Поскольку big5 и gb2312 опускают довольно много широко используемых вариантов, которые присутствуют в Unicode, код полагается на точное соответствие между режимами translit и ignore во многих обычных случаях использования: он не сможет идентифицировать 説話 как традиционный китайский, несмотря на то, что 説 является распространенным вариантом в Гонконге для 說, который используется в big5.

Простое исправление состоит в том, чтобы 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