java - 如何确定字符串是英文还是阿拉伯文？

Question

有没有办法确定一个字符串是英语还是阿拉伯语？

score 50 · Accepted Answer

这是我刚刚尝试过的一个简单逻辑：

  public static boolean isProbablyArabic(String s) {
    for (int i = 0; i < s.length();) {
        int c = s.codePointAt(i);
        if (c >= 0x0600 && c <= 0x06E0)
            return true;
        i += Character.charCount(c);            
    }
    return false;
  }

当且仅当在文本中找到阿拉伯 unicode 代码点时，它将文本声明为阿拉伯文。您可以增强此逻辑以更适合您的需求。

范围 0600 - 06E0 是阿拉伯字符和符号的代码点范围（参见Unicode 表）

score 11 · Accepted Answer

Java 本身支持通过 unicode 进行的各种语言检查，也支持阿拉伯语。更简单和最小的方法是通过 UnicodeBlock

public static boolean textContainsArabic(String text) {
    for (char charac : text.toCharArray()) {
        if (Character.UnicodeBlock.of(charac) == Character.UnicodeBlock.ARABIC) {
            return true;
        }
    }
    return false;
}

score 7 · Accepted Answer

覆盖所有阿拉伯字符和符号范围的小改动

private boolean isArabic(String text){
        String textWithoutSpace = text.trim().replaceAll(" ",""); //to ignore whitepace
        for (int i = 0; i < textWithoutSpace.length();) {
            int c = textWithoutSpace.codePointAt(i);
          //range of arabic chars/symbols is from 0x0600 to 0x06ff
            //the arabic letter 'لا' is special case having the range from 0xFE70 to 0xFEFF
            if (c >= 0x0600 && c <=0x06FF || (c >= 0xFE70 && c<=0xFEFF)) 
                i += Character.charCount(c);   
            else                
                return false;

        } 
        return true;
      }

score 3 · Accepted Answer

您通常可以通过字符串本身的代码点来判断。阿拉伯语占据了 Unicode 代码空间中的某些块。

可以肯定的是，如果这些块中存在相当大比例的字符（例如بلدي الحوامات مليء الثعابينة），则它是阿拉伯文本。

score 1 · Accepted Answer

这个答案有些正确。但是当我们结合波斯语和英文字母时，它返回TRUE !，这是不正确的。在这里我修改了相同的方法，使其运行良好

 public static boolean isProbablyArabic(String s) {
    for (int i = 0; i < s.length();) {
        int c = s.codePointAt(i);
        if (!(c >= 0x0600 && c <= 0x06E0))
            return false;
        i += Character.charCount(c);
    }
    return true;
}

score 0 · Accepted Answer

您可以使用基于 N-gram 的文本分类（该短语用 google），但这不是一种防故障技术，它可能需要一个不太短的字符串。

您可能还认为只有 ASCII 字母的字符串不是阿拉伯语。

score 0 · Accepted Answer

英文字符往往在这 4 个 Unicode 块中：

BASIC_LATIN
LATIN_1_SUPPLEMENT
LATIN_EXTENDED_A

GENERAL_PUNCTUATION

public static boolean isEnglish(String text) {

 boolean onlyEnglish = false;

 for (char character : text.toCharArray()) {

    if (Character.UnicodeBlock.of(character) == Character.UnicodeBlock.BASIC_LATIN
            || Character.UnicodeBlock.of(character) == Character.UnicodeBlock.LATIN_1_SUPPLEMENT
            || Character.UnicodeBlock.of(character) == Character.UnicodeBlock.LATIN_EXTENDED_A
            || Character.UnicodeBlock.of(character) == Character.UnicodeBlock.GENERAL_PUNCTUATION) {

        onlyEnglish = true;
    } else {

        onlyEnglish = false;
    }
 }

  return onlyEnglish;
}

score -1 · Accepted Answer

尝试这个：

internal static bool ContainsArabicLetters(string text)

{

foreach (char character in text.ToCharArray())
{
    if (character >= 0x600 && character <= 0x6ff)
        return true;
    if (character >= 0x750 && character <= 0x77f)
        return true;
    if (character >= 0xfb50 && character <= 0xfc3f)
        return true;
    if (character >= 0xfe70 && character <= 0xfefc)
        return true;
}
return false;
}

java - 如何确定字符串是英文还是阿拉伯文？

8 回答 8

Related

Reference