一个网站的诞生- MagicDict开发总结9 [日语单词检索策略]
这篇文件将介绍一下日语单词的检索策略。这些策略一部分已经在MagicDict上使用了，有些策略还在斟酌中。
此外，这篇文章所需要一些日语知识，如果对日语不是很清楚的话，请看一个网站的诞生- MagicDict开发总结3 [日语字典数据结构] 的简单介绍。可能接下来的文章都是对日语的检索方案的讨论，看起来有点累。
日语的复杂性造就了日语检索的困难度。英文的检索的话，关键字就是单词[字母的字符串]。中文的检索的话，就是汉字的字符串，另外，还可能用拼音进行检索[字母的字符串]。日语的话，可能用来作为关键字进行检索的东西非常多。
1.日语汉字，例如：
新聞 開き 遊び
2.平假名，平假名，例如：
しんぶん、ひらき、あそび
这三个平假名分别对应 1.日语汉字的 三个词语
コーヒー、パソコン
片假名表示外来语，前者是咖啡，后者是个人电脑
3．罗马字，例如：
SHINBUNN,HIRAKI,ASOBI
这三个平假名分别对应 1.日语汉字的 三个词语的放音的罗马字
4.各种复合词语
コーヒー豆
咖啡豆，コーヒー就是咖啡，咖啡是外来语，写为片假名，不过也有写成汉字的情况。
对于1，2，3的情况，可能输入的形式不一样，但是最后检索出来的东西是同一个单词。这样的话，规则化就很重要。
首先，对于输入内容，平假名和片假名，罗马字，一律变为平假名，统一作为检索关键字。
片假名转换为平假名，使用的是VB的Strconv函数。
在C#里面使用VB函数，需要加入库的引用
然后，使用下面的方法进行字符转换
/// 日本語のローカルID
/// </summary>
const int JapaneseLocaleID = 1041;
/// <summary>
/// 平仮名からカタカナに変換
/// </summary>
/// <param name="Kana"></param>
/// <returns></returns>
public static string ConHira2Kata(String Kana)
{
return Strings.StrConv(Kana, VbStrConv.Katakana, JapaneseLocaleID);
}
/// <summary>
/// カタカナから平仮名に変換
/// </summary>
/// <param name="Kana"></param>
/// <returns></returns>
public static string ConKata2Hira(String Kana)
{
return Strings.StrConv(Kana, VbStrConv.Hiragana, JapaneseLocaleID);
}
罗马字转平假名则是自己根据规则写的函数。
/// ロマジから仮名に変換
/// </summary>
/// <param name="strRoma"></param>
/// <returns></returns>
public static String ConvertRomaToKana(String strRoma)
{
strRoma = Strings.StrConv(strRoma, VbStrConv.Lowercase, JapaneseLocaleID);
strRoma = strRoma.Replace("q", "っ");
for (int i = Strings.Asc("a"); i <= Strings.Asc("z"); i++)
{
strRoma = strRoma.Replace(Strings.Chr(i).ToString() + Strings.Chr(i), "っ" + Strings.Chr(i).ToString());
}
for (byte i = 0; i <= 108; i++)
{
strRoma = strRoma.Replace(KanaRoma[i, 1], KanaRoma[i, 0]);
}
return strRoma;
}
通过上面的代码，可以把片假名，罗马字，转换为平假名。检索关键字的统一规范化大大降低了检索的复杂度。
当然，检索关键字要规范化，但是，检索结果表示的时候，还要正确的表示出来。所以，每个词条有一个表示字段，这个字段是最常用的表示形式。例如， コーヒー 这个词语，检索用的字段是规范化后的片假名 こーひー 和 日语汉字 珈琲，但是其常用的标准书写形式还是片假名的 コーヒー。所以数据表里面有3个字段，常用标准形式，检索用平假名，检索用汉字。
对于复合词语，例如
コーヒー豆
它可以分解为 コーヒー[咖啡] 和 豆[豆] 两个基本的词语。由于考虑到检索结果里面也希望可以出现咖啡和豆的词条，所以，复合词语的信息[表格]里面，也需要记录构成它的基本词汇的引用信息。这样的话，查到复合词语的时候，也可以快速的获取基本词汇的主键，进而取得基本词汇的详细检索结果。当然，コーヒー豆 也可以表示为各种形式放在检索入口里面：
コーヒー豆 标准
咖啡豆 全部汉字
こーひーまめ 全部平假名
コーヒーマメ 全部片假名
KOOHIIMAME 罗马字
所以，复合词也需要规则化，以及数据表里面有 常用标准形式，检索用平假名，检索用汉字。当然，以后会将英语的coffee bean 也加入检索词条里面，做到英日的检索。
汉字，分为简体和繁体汉字，日本使用的是繁体汉字。
1 有一部份汉字的简体和繁体形式一样
这样的话，需要在日文词典和中日词典里面做2次检索。必须做2次，中日同词不同意义的东西有很多。
2 有人会使用简体汉字查询日语汉字词汇
在处理汉字的时候，需要先做简体转繁体的操作，然后再在日文词典里面进行检索。
这样的话 ，大概将用户的输入关键字的预处理说明了一下。懂日语的可能看得懂，不懂得话，基本上是天书。。。
下一篇文章是介绍检索流程。
有兴趣的写信给我 root#magicdict.com [convert # to @ ]
