tokenizer-arena / utils /lang_util.py
xu-song's picture
update
f2cec45
raw
history blame
4.03 kB
"""
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。
## common language
English | 简体中文 | 繁體中文 | 한국어 | Español | 日本語 | हिन्दी | Русский | Рortuguês | తెలుగు | Français | Deutsch | Tiếng Việt |
"""
import re
from typing import List
# 由于大部分是'latin',所以就不统计了。
common_lang = ['Chinese', 'Japanese-Kana', 'Korean', 'Arabic', 'number']
# Unicode range of different language
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_by_unicode(text: str) -> List:
"""
:param text:
:return:
"""
detected_languages = []
for language, pattern in language_ranges.items():
if re.search(pattern, text):
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 lang: {detect_language(s)} === Expected: {expected}")
print(f"'{s}'\nDetected lang: {detect_language_by_unicode(s)}\nExpected lang: {expected}")