现在简繁中文的转换已经不像从前那样，是gbk/ big5两种文字编码之间的转换，而是在同一个编码，Unicode，当中不同编码的映射。当然，简繁中文绝对不是简单的一一对应关系，有一对多的个别情况，例如简体的“后” 对应繁体的 “后”和“後”。行业词汇也有差别，例如大陆说“宽带”，而港台说“寬頻”；大陆说“操作系统”，而港台说“作業系統” 等等。
因此当我决定用Python程序将森海塞尔简体中文网站转换为繁体中文网站时，我的计划分三个步骤：
- 提取行业高频关键字，找到简体和繁体的对应，编成词典
- 利用现有的Python中文本地化工具包，将关键字之外的文字转换
- 请港台Freelancer人工校对，确保本土化
第一步，我的词典替换程序在此：
#coding:utf8
import sys
_dict = {'森海塞尔': 'Sennheiser', '耳机': '耳筒', '通讯耳机': '通話用耳機', '话筒': '咪高峰', '包耳式': '包圍耳殼式', '换能原理': '單元原理', '阻抑': '隔離',
'便携包': '便攜袋', '质保': '保用', '带宽': '頻寬', '调制方式': '調節方式', '信噪比': '訊噪比', '杂散辐射': '雜散發射' }
_dict_s2t = dict((k, v) for k, v in _dict.iteritems())
_dict_t2s = dict((v, k) for k, v in _dict.iteritems())
def translate2traditional(data):
for k, v in _dict_s2t.iteritems():
data = data.replace(k, v)
return data
def translate2simplified(data):
for k, v in _dict_t2s.iteritems():
data = data.replace(k, v)
return data
def test_dict():
global _dict_s2t, _dict_t2s
for k, v in _dict_s2t.iteritems():
print k, v
for k, v in _dict_t2s.iteritems():
print k, v
if __name__ == '__main__':
if len(sys.argv) > 2:
f = open(sys.argv[2], 'r')
if sys.argv[1] == 's2t':
print translate2traditional(f.read())
elif sys.argv[1] == 't2s':
print translate2simplified(f.read())
else:
print 'Wrong operation type.'
else:
print 'usage: python trans_dict.py [s2t | t2s] file.name'第二步，我利用的是pyzh中文工具包中的fanjian.py完成。特别感谢pyzh项目组的全部成员和fanjian.py程序作者ne.manman和zsp007！
下面就交给香港的朋友了，希望不会累坏他:)
顺便说，Songbird很不错，有点山寨iTunes，那又怎样呢？毕竟Linux下面还没iTunes。
2 responses to “Unicode编码中的简繁中文互转”
dict = {‘森海塞尔’: ‘Sennheiser’, ‘耳机’: ‘耳筒’, ‘通通讯耳机’: ‘通話用耳機’, ‘话筒’: ‘咪高峰’, ‘包耳式’: ‘包圍耳殼式’, ‘换能原理’: ‘單元原理’, ‘阻抑’: ‘隔離’,
‘便携包’: ‘便攜袋’, ‘质保’: ‘保用’, ‘带宽’: ‘頻寬’, ‘调制方式’: ‘調節方式’, ‘信噪比’: ‘訊噪比’, ‘杂散辐射’: ‘雜散發射’ }
第四个中文词：通通讯耳机，多了一个字啦~~
嘿嘿，SongBird，喜欢！不过因为经常在各个IE only的网站中切换的原因，暂时只在呆在windows中。
一直向往着Mac和Linux的无毒世界…
五一快乐~
@GonNa
笔误，呵呵。