如何确定一个字符串是英语还是阿拉伯语？

Question

有没有一种方法可以确定一个字符串是英语还是阿拉伯语？

- Victor S

---

就当今世界而言，“1234”是我的看法吗？ - user2030471

@Nishant，阿拉伯语使用常规数字还是鲁米数字？ - paxdiablo

你的意思是它包含英文或阿拉伯文本，还是编码方式是这样的？第二种情况应该很容易，因为这些字符不在同一Unicode范围内（参见：http://en.wikipedia.org/wiki/Arabic_alphabet）。 - Martin

你无法以确定的方式完成这件事。所有信息必须说明其内容，这就是为什么需要使用 content-type、编码等的原因。但你可以猜测。 - PeterMmm

Answer 1

这是我刚刚尝试的一个简单逻辑：

  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;
  }

它只有在文本中发现阿拉伯语的Unicode编码点时才声明文本为阿拉伯语。您可以改进此逻辑以更适合您的需求。

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

- Eyal Schneider

---

您可能还想检查其他阿拉伯范围——请参见我的答案中的链接。 - paxdiablo

这种方法对于大字符串非常低效，因为它在每次迭代中都要计算字符串的长度。应该先将Character.codePointCount(s, 0, s.length())赋值给一个变量，这样它就不会在每次迭代中调用此函数。 - Jazib

@jazib：实际上更大的问题是对代码点的迭代，这是不正确的。我刚刚修复了它。 - Eyal Schneider

Answer 2

Java内置了对Unicode的多国语言支持，包括阿拉伯语。使用UnicodeBlock是实现相同功能的更简单、更小巧的方法。

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

- Gaurav Tyagi

---

除非我将Character.UnicodeBlock.Ar替换为Character.UnicodeBlock.ARABIC，否则您的代码在我的情况下无法编译。另外请注意，您的方法名称有误，应该是isTextContainsArabic而不是isTextContainsHindi。@Guarav Tyagi - A.Alqadomi

@Jeeva 为了检查英语，英文字符通常位于这4个Unicode块中：BASIC_LATIN，LATIN_1_SUPPLEMENT，LATIN_EXTENDED_A，GENERAL_PUNCTUATION。 - Gaurav Tyagi

Answer 3

一个小改变，以覆盖所有阿拉伯字符和符号范围。

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;
      }

- RamDroid

Answer 4

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

如果大部分字符存在于这些块中（例如بلدي الحوامات مليء الثعابينة），那么很可能是阿拉伯文本。

- paxdiablo

---

你应该提供一个非常简短的Java演示来展示你的想法。否则，在这种情况下，我认为这是最好的选择（英语 vs 阿拉伯语）。 - brimborium

Answer 5

这个答案有一定的正确性。但是当我们结合波斯语和英语字母时，它返回TRUE！这是不正确的。 这里我修改了相同的方法，使其能够正常工作。

 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;
}

- Iman Marashi

Answer 6

这只是对现有答案进行 Kotlin 的适应。

fun String.textContainsArabic(): Boolean =
    any { Character.UnicodeBlock.of(it) == Character.UnicodeBlock.ARABIC }

- anro

Answer 7

我用我的代码尝试了这个，它运行良好。 使用codePointAt方法，该方法返回字符串中指定索引处字符的Unicode值。

  public static boolean isItArabic(String someText)
{
    for(int i = 0; i<someText.length(); i++)
    {
        int point = someText.codePointAt(i);
        if(!(point >= 1536 && point <= 1791)) {
            return false;
        }
    }
    return true;
}

- Ali Zedan

Answer 8

你可以使用基于N-gram的文本分类（谷歌搜索该短语），但这并不是一种万无一失的技术，可能需要一个不太短的字符串。

你也可以决定只有ASCII字母的字符串不是阿拉伯语。

- Basile Starynkevitch

---

它还需要大量的训练数据（更不用说训练时间了）。 - brimborium

Answer 9

英文字元通常位于这四个Unicode块中：

• BASIC_LATIN（基本拉丁字母）
• LATIN_1_SUPPLEMENT（拉丁语补充-1）
• LATIN_EXTENDED_A（拉丁语扩展-A）

• GENERAL_PUNCTUATION（通用标点符号）

  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;
  }
  

- pvrforpranavvr

Answer 10

试试这个：

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;
}

- Saeid