OpenCC
OpenCC copied to clipboard
BYVoid
Conversion between Traditional and Simplified Chinese
源字符串：`字节跳动` 期待的目标字符串：`字節跳動` 实际得到的结果：`位元組跳動` 截屏：  参考：  --- 其他信息技术企业名称因包含了专有名词而被误转换的： * #865 (摩尔线程)
按照 `variant.txt` 的 `幷 并 幷`，顯示「幷」為正體，「并」為其異體；而按照 `ts_multi.txt` 的 `并 並 併 并`，顯示「并」為正體，「幷」非正體，二者是矛盾的。 應該要嘛是取「并」為正體，要嘛是取「幷」為正體，要嘛是二者各自皆為正體。 根據目前查幾個字典的結果看來，「幷」是比較古的字形，比較偏向作為地名、人名，意義較狹。「并」是比較新的字形，又恰好是中國標準的簡化字，因此更常作為「並」、「併」的簡化字使用。但大體而言，二者意義幾乎是相等且可以互相代換的，似乎不太適合都認定為正體。 可能要做個決定如何處理二者：如果取「并」為正體，則 `variant.txt` 要修改；如果取「幷」為正體，則 `ts_multi.txt` 和 `STCharacters.txt`、`TSCharacters.txt` 都要修改；如果二者皆取為正體，則 `variant.txt`、`ts_multi.txt`、`STCharacters.txt`、`TSCharacters.txt` 都要修改。以和既有詞表相容的角度來看，取「并」為正體是修改量最小的，但不一定最「正確」就是。
承 #613。目前的 text 詞典若輸入以下內容： ``` 輸入詞\t輸出詞\t註解 ``` 轉換時會把 `輸入詞` 轉為 `輸出詞\t註解`。 這既不直覺也不方便： * 直覺上來說，既然是以`\t`分隔的資料，第二欄就不應該再把`\t`視為資料內容。 * 方便性上來說，允許寫入第二個 `\t` 以後的資料（而不影響實際轉換）讓開發者可以寫入一些必要的註解。如要引進來自其他工具的資料，或輸出至其他工具，也比較不容易發生不可預期的問題。 希望各位大老可以考慮下。
``` [ins] In [1]: import opencc --------------------------------------------------------------------------- OSError Traceback (most recent call last) Cell In[1], line 1 ----> 1 import opencc File /opt/homebrew/Caskroom/miniconda/base/lib/python3.11/site-packages/opencc.py:24 22 libopencc = CDLL(_libopenccfile, use_errno=True) 23 else:...
OpenCC 有內建一個 `opencc_phrase_extract` 工具，因為找不到文件，不太確定用法。 我嘗試用以下命令分析 `test\benchmark\zuozhuan.txt` 檔案，得到以下詞頻： ```sh opencc_phrase_extract -o G:\zuozhuan.stats.txt -- G:\zuozhuan.txt ``` ```txt 请求 450 -7.92801 6.196 8.46437 4.06399 4.40038 进攻 450 -7.92801 6.32893 7.79145 3.96637 3.82508 自己...
