Spaces:
Running
Running
| """ | |
| 这个detect_language函数通过定义一系列语言字符的Unicode范围，然后使用regex包来检查输入字符串是否包含这些范围内的字符， | |
| 从而尝试确定字符串可能使用的语言。函数返回一个列表，包含所有匹配的语言名称；如果没有检测到已定义范围内的字符，则返回['Unknown']。 | |
| 请注意，由于某些语言（如中文和日文）共享字符集的部分范围，这可能导致某些字符串被识别为多种语言。 | |
| 此外，Latin范围非常广泛，几乎包括了所有西方语言的基本字母，因此可能需要更细致的逻辑来区分使用拉丁字母的具体语言。 | |
| 通过检查特定的字母和重音符号来区分一些使用拉丁字母的语言。 | |
| 然而，需要强调的是，这种方法的准确性受限于所选语言特征的全面性和独特性。 | |
| 例如，English的检测范围仅限于基本的A-Z字母，这可能导致它与其他使用相同字母集的语言重叠。 | |
| 此外，有些语言（如法语和西班牙语）在某些情况下可能共享特定的重音符号，这可能导致一个字符串被错误地识别为多种语言。 | |
| ## 常用语言 | |
| English | 简体中文 | 繁體中文 | 한국어 | Español | 日本語 | हिन्दी | Русский | Рortuguês | తెలుగు | Français | Deutsch | Tiếng Việt | | |
| """ | |
| import re | |
| # 由于大部分是'latin'，所以就不统计了。 | |
| common = ['Chinese', 'Japanese-Kana', 'Korean', 'Arabic', 'number'] | |
| language_ranges = { | |
| ('Arabic', 'ar'): r'[\u0600-\u06FF\u0750-\u077F\u08A0-\u08FF\uFB50-\uFDFF\uFE70-\uFEFF]', | |
| # 'CJK' https://en.wikipedia.org/wiki/CJK_Unified_Ideographs | |
| ('Chinese', 'zh'): r'[\u4e00-\u9fff]', | |
| ('Japanese', 'ja'): r'[\u3040-\u309F\u30A0-\u30FF\u4E00-\u9FFF\u3400-\u4DBF]', | |
| # https://stackoverflow.com/questions/19899554/unicode-range-for-japanese | |
| # Kana type refers to Japanese hiragana and katakana characters that represent phonetic sounds in the Japanese language. | |
| ('Japanese-Kana', 'ja-kana'): r'[\u3040-\u309F\u30A0-\u30FF]', # Hiragana & Katakana | |
| ('Korean', 'ko'): r'[\uac00-\ud7a3]', | |
| # 拉丁字母系列 | |
| # ('Latin', 'la'): r'[\u0000-\u007F\u0080-\u00FF]', | |
| # ('English', 'en'): r'[A-Za-z]', # 这可能会与其他使用基本拉丁字母的语言重叠 | |
| # ('French', 'fr'): r'[\u00C0-\u00FF]', | |
| # ('German', 'de'): r'[\u00C4\u00D6\u00DC\u00E4\u00F6\u00FC\u00DF]', | |
| # ('Spanish-特有'): r'[\u00C1\u00E1\u00C9\u00E9\u00CD\u00ED\u00D3\u00F3\u00DA\u00FA\u00D1\u00F1\u00FC]', # 西班牙语特有字符集合 | |
| # 斯拉夫语系列 | |
| # ('Cyrillic', ''): r'[\u0400-\u04FF\u0500-\u052F\u2DE0-\u2DFF\uA640-\uA69F]', | |
| # | |
| # 'Greek': r'[\u0370-\u03FF\u1F00-\u1FFF]', # 希腊字母 | |
| # 'Hebrew': r'[\u0590-\u05FF\uFB1D-\uFB4F]', # 希伯来语 | |
| } | |
| def detect_language(s): | |
| # 定义各语言字符的Unicode范围 | |
| detected_languages = [] | |
| for language, pattern in language_ranges.items(): | |
| if re.search(pattern, s): | |
| detected_languages.append(language) | |
| return detected_languages | |
| if __name__ == "__main__": | |
| # 测试函数 | |
| test_strings = { | |
| # 拉丁语系 | |
| 'Hello, world!': "English/Latin", | |
| 'Hola': "Spanish", | |
| 'Bonjour': "French", | |
| 'Guten Tag': "German", | |
| 'Empieza donde estás. ': "Spanish", | |
| # CJK | |
| '你好': "Chinese", | |
| 'こんにちは': "Japanese", | |
| '안녕하세요': "Korean", | |
| # 其他 | |
| 'Привет': "Russian/Cyrillic", | |
| 'مرحبا': "Arabic", | |
| } | |
| for s, expected in test_strings.items(): | |
| print(f"'{s}' detected as: {detect_language(s)} (Expected: {expected})") |