Распознавание текста как упрощенного и традиционного китайского

Question

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

Answer 1

Я не знаю, сработает ли это, но я бы попробовал использовать iconv, чтобы посмотреть, будет ли он правильно переводиться между кодировками, сравнивая результаты одного преобразования с //TRANSLIT и //IGNORE. Если два результата совпадают, то при преобразовании кодировки не встретилось ни одного символа, который не удалось бы 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';
   }
}

Answer 2

Поскольку big5 а также gb2312 опустите довольно много часто используемых вариантов, которые присутствуют в Unicode, код полагается на точное соответствие между translit а также ignore режимы не будут работать во многих нормальных случаях использования: он не сможет определить 説話 как традиционный китайский, несмотря на 説 быть распространенным вариантом в Гонконге для 說 который используется в big5,

Простое решение 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';