使用ICU进行分词

Question

我正在使用ICU4C来音译中日韩。我想知道是否有可能在ICU中进行分词，根据一些分词标准将中文文本分割成一系列的单词。

例如，当我尝试音译时：

直接输出html代码而不是作为函数返回值代后处理

使用

Transliterator* myTrans = 
                  Transliterator::createInstance("zh-Latin",UTRANS_FORWARD, err);
UnicodeString str;
str.setTo("直接输出html代码而不是作为函数返回值代后处理");
myTrans->transliterate(str);
str.toUTF8String(st);
std::cout << st << std::endl;

我得到以下输出：

zhí jiē shū chū html dài mǎ ér bù shì zuò wèi hán shù fǎn huí zhí dài hòu chù lǐ

与在线拼音工具相比，这似乎完全没有问题，但我的问题是ICU逐个音译字符。不过，我正在寻找的内容更像下面的文本(我不懂任何中文，所以下面的文本可能没有任何意义，但它应该说明我对哪种输出感兴趣)：

zhíjiē shūchū html dàimǎér bùshì zuò wèihán shùfǎn huízhídài hòu chùlǐ

I have been told说ICU50能够分词，但我在他们的网页上也找不到任何文档。想知道你们中是否有人在ICU中使用过分词，或者知道如何进行分词，或者是否有关于如何进行分词的好链接。

Answer 1

“基于字典的迭代器”并不是一个不同的API。只需使用适当的语言环境ID创建一个ICU分词迭代器。

icu/source/samples/break中有一个随ICU提供的C/C++示例

下面的示例代码还显示了断字：http://source.icu-project.org/repos/icu/icuapps/trunk/iucsamples/c/s24_brkw/s24_brkw.cpp http://source.icu-project.org/repos/icu/icuapps/trunk/iucsamples/c/s23_brki/

可能是这样的：

  BreakIterator *wordIterator = BreakIterator::createWordInstance(Locale("zh"), status);
UnicodeString text = "Unicode provides a unique number for every character, no matter what the platform, no matter what the program, no matter what the language.";
  wordIterator->setText(text);
  int32_t breakCount = 0;
    int32_t start = wordIterator->first();
    for(int32_t end = wordIterator->next();
        end != BreakIterator::DONE;
        start = end, end = wordIterator->next())
    {
         breakCount++;
    }
  delete wordIterator;

Answer 2

“有一个全新的也在进行中，它做分割和拆分你的文本如下-当选择中文。希望这有帮助。”

直接
输出
html
代码
而不是
作为
函数
返回
值
代
后
处理

这将解决我的问题，我需要音译输出得到我想要的东西。