Romanizzazione del testo Unicode

Question

Sto cercando un modo per trascrivere caratteri di lettere Unicode da qualsiasi lingua in lettere latine accentate. L'intento è di consentire agli stranieri di ottenere informazioni sulla pronuncia dei nomi e delle parole scritte in qualsiasi scrittura non latina.

Esempi:

greca: Romanize("Αλφαβητικός") restituisce "Alphabētikós" (o "Alfavitikós")

giapponese: Romanize("しんばし") rendimenti "shimbashi" (o "sinbasi")

Russa: Romanize("яйца Фаберже") rendimenti "yaytsa Faberzhe" (o "jajca Faberže ")

Dovrebbe idealmente supportare i caratteri nei seguenti script: CJK, Indic, Cirillico, Semitico e Greco. Dovrebbe essere guidato dai dati ed estendibile, utilizzando i dati del Consorzio Unicode, degli Stati Uniti, dell'UE o dell'ONU. Il codice dovrebbe essere open source scritto in .NET o Java.

Esiste una tale biblioteca?

Answer 1

È possibile utilizzare la libreria .net http://unidecode.codeplex.com/.

Utilizzo;

using BinaryAnalysis.UnidecodeSharp; 

....................................... 

string _Greek="Αλφαβητικός"; 
MessageBox.Show(_Greek.Unidecode()); 

string _Japan ="しんばし"; 
MessageBox.Show(_Japan.Unidecode()); 

string _Russian ="яйца Фаберже"; 
MessageBox.Show(_Russian.Unidecode()); 

Spero, sarà un bene per voi.

Answer 2

Non sono a conoscenza di alcuna soluzione open source qui oltre ICU. Se l'ICU funziona per te, bene. In caso contrario, si noti che io sono il CTO di un'azienda che vende un prodotto commerciale per questo scopo che può trattare con i casi icky come le parole cinesi, la lettura multipla giapponese e l'ortografia incompleta araba.

Answer 3

Il Unicode Common Locale Data Repository ha un numero di transliteration mappings che è possibile utilizzare.

Answer 4

Il problema è molto più complesso di quanto si pensi.

greco, cirillico, indiano, Georgiano -> banale, si potrebbe programmare che in un'ora
Thai, Kana giapponese -> fattibile con un po 'più di sforzo
Kanji giapponese, cinese -> questi non sono alfabeti/le sillabe, quindi in realtà non stai traslitterando, stai cercando la pronuncia di ciascun simbolo in un dizionario che spero sia grande (EDICT e CCDICT dovrebbero funzionare), e molte volte ti sbagli se non sei anche tu considerando il contesto, specialmente in giapponese
coreano -> tecnicamente un alfabeto, ma i computer possono gestire solo i caratteri composti, quindi è necessario un altro grande database, non sono a conoscenza di alcun
arabo, ebraico -> questi le lingue non scrivono brevi vocali, quindi molte volte la tua traslitterazione sarà qualcosa di illeggibile come "bytlhm" (Betlemme). Non sono a conoscenza di database di grandi dimensioni che associano parole arabe o ebraiche alla loro pronuncia.