如何将阿拉伯字母映射到Python中的音素？

Question

我想做一个简单的Python脚本，将每个阿拉伯字母映射到音素声音符号。我有一个文件，其中有一堆单词，脚本会读取这些单词，以便将它们转换成音素，我的代码中有以下字典：

.txt文件中的内容：

السلام عليكم
السلام عليكم و رحمة الله
السلام عليكم و رحمة الله و بركاته
الحمد لله
كيف حالك
كيف الحال

我代码中的字典：

ar_let_phon_maplist = {u'ﺍ':'A:', u'ﺏ':'B', u'ﺕ':'T', u'ﺙ':'TH', u'ﺝ':'J', u'ﺡ':'H', u'ﺥ':'KH', u'ﻩ':'H', u'ﻉ':'(ayn) ’', u'ﻍ':'GH', u'ﻑ':'F', u'ﻕ':'q', u'ﺹ':u'ṣ', u'ﺽ':u'ḍ', u'ﺩ':'D', u'ﺫ':'DH', u'ﻁ':u'ṭ', u'ﻙ':'K', u'ﻡ':'M', u'ﻥ':'N', u'ﻝ':'L', u'ﻱ':'Y', u'ﺱ':'S', u'ﺵ':'SH', u'ﻅ':u'ẓ', u'ﺯ':'Z', u'ﻭ':'W', u'ﺭ':'R'}

我有一个嵌套循环，在这里我读取每一行，转换每个字符：

with codecs.open(sys.argv[1], 'r', encoding='utf-8') as file:
        lines = file.readlines()

line_counter = 0

for line in lines:
        print "Phonetics In Line " + str(line_counter)
        print line + " ",
        for word in line:
                for character in word:
                        if character == '\n':
                                print ""
                        elif character == ' ':
                                print "  "
                        else:
                                print ar_let_phon_maplist[character] + " ",
line_counter +=1

这就是我所犯的错误：

Phonetics In Line 0
السلام عليكم

Traceback (most recent call last):
  File "grapheme2phoneme.py", line 25, in <module>
    print ar_let_phon_maplist[character] + " ",
KeyError: u'\u0627'

然后使用Linux命令检查文件类型是否为UTF-8：

file words.txt

我得到的输出：

words.txt: UTF-8 Unicode text

任何解决这个问题的解决方案，为什么它不映射到字典中的Unicode对象，因为我在ar_let_phon_maplist[character]行中用作键的字符也是Unicode？我的密码有什么问题吗？

Answer 1

吸引眼球的第一件事是KeyError。所以你的字典根本不知道文件中遇到的一些符号。展望未来，它不知道任何提交的字符，不仅是关于第一个。

我们能做些什么呢？好的，我们可以将unicode表阿拉伯段中的所有符号添加到我们的字典中。简单吗？是。明白了吗？不是的。

如果您想真正了解这种“奇怪”行为的原因，您应该了解更多关于Unicode的知识。简而言之，有许多字母看起来相似，但序号不同。此外，有时也可以以多种形式提交同一封信。所以比较unicode字符是不是一件小事。

因此，如果允许我使用Python，我将按以下方式解决这个任务。首先，我将在ar_let_phon_maplist字典中对键进行规范化：

ar_let_phon_maplist = {unicodedata.normalize('NFKD', k): v 
                            for k, v in ar_let_phon_maplist.items()}

然后，我们将遍历文件中的行、行中的单词和单词中的字符，如下所示：

for index, line in enumerate(lines):
    print('Phonetics in line {0}, total {1} symbols'.format(index, len(line)))
    unknown = []  # Here will be stored symbols that we haven't found in dict
    words = line.split()
    for word in words:
        print(word, ': ', sep='', end='')
        for character in word:
            c = unicodedata.normalize('NFKD', character).casefold()
            try:                
                print(ar_let_phon_maplist[c], sep='', end='')
            except KeyError:
                print('_', sep='', end='')
                if c not in unknown:
                    unknown.append(c)
        print()
    if unknown:
        print('Unrecognized symbols: {0}, total {1} symbols'.format(', '.join(unknown), 
                                                                    len(unknown)))

脚本将产生类似这样的内容：

Phonetics in line 4, total 9 symbols
كيف: KYF
حالك: HA:LK

Answer 2

看来你把那个字忘在字典里了。您有ﺍ (u'\ufe8d'，阿拉伯字母ALEF隔离表单)，它看起来类似，但是没有ا (u'\u0627'，阿拉伯字母ALEF)。