以自动方式从希腊文本中删除变音符号

Question

我有一个标签文件形式的反编译的stardict字典

κακός <tab> bad

<tab> 表示表格。

不幸的是，单词的定义方式要求查询包含所有变音符号。因此，如果我想搜索 ζῷον，我需要将所有的 iotas 和抑扬符都正确。

因此，我想转换整个文件，以便删除关键字的变音符号。所以这条线会变成

κακος <tab> <h3>κακός</h3> <br/> bad

我知道我可以在 bash 中逐行读取文件，如此处所述 [1]

while read line           
do           
    command           
done <file 

但是有什么办法可以自动化转换线路的操作呢？我听说过iconv [2]，但没有设法使用它实现所需的转换。我最好使用 bash 脚本。

---

此外，是否有一种自动音译希腊语的方式，例如使用珀尔修斯的方法？

---

/edit: 也许我们可以使用 Unicode 代码？我们可以注意到U+1F0x、U+1F8x for x < 8 等都是字母 α 的变体。这将减少手工工作量。我也接受 C++ 解决方案。

[1]http://en.kioskea.net/faq/1757-how-to-read-a-file-line-by-line
[2]How to remove all of the diacritics from a file?

Answer 1

您可以使用 Perl 相对轻松地从字符串中删除变音符号：

$_=NFKD($_);s/\p{InDiacriticals}//g;

例如：

$ echo 'ὦὢῶὼώὠὤ ᾪ' | perl -CS -MUnicode::Normalize -pne '$_=NFKD($_);s/\p{InDiacriticals}//g'
ωωωωωωω Ω

它的工作原理如下：

• -CS 为 Perl 的标准输入/标准输出启用 UTF8
• -MUnicode::Normalize 加载一个用于 Unicode 规范化的库
• -e 从命令行执行脚本； -n 自动循环输入中的行； -p 自动打印输出
• NFKD() 将该行转换为 Unicode 规范化形式之一；这意味着重音和变音符号被分解为单独的字符，这样在下一步中更容易将它们删除
• s/\p{InDiacriticals}//g 删除 Unicoded 表示为变音符号的所有字符

这实际上应该适用于删除所有具有良好 Unicode 支持的脚本/语言的变音符号等，而不仅仅是希腊语。

Answer 2

我对古希腊语的熟悉程度不如现代希腊语（实际上只使用两个变音符号）

但是，我检查了元音并发现它与变音符号相结合。这给了我以下列表：

ἆἂᾶὰάἀἄ 
ἒὲέἐἔ 
ἦἢῆὴήἠἤ 
ἶἲῖὶίἰἴ 
ὂὸόὀὄ 
ὖὒῦὺύὐὔ 
ὦὢῶὼώὠὤ  

我将此列表保存为文件并将其传递给sed

cat test.txt | sed -e 's/[ἆἂᾶὰάἀἄ]/α/g;s/[ἒὲέἐἔ]/ε/g;s/[ἦἢῆὴήἠἤ]/η/g;s/[ἶἲῖὶίἰἴ]/ι/g;s/[ὂὸόὀὄ]/ο/g;s/[ὖὒῦὺύὐὔ]/υ/g;s/[ὦὢῶὼώὠὤ]/ω/g'

^{Credit to hungnv}

这是一个简单的 sed。它采用每个选项并将其替换为未标记的字符。上述命令的结果是：

ααααααα
εεεεε
ηηηηηηη
ιιιιιιι
οοοοο
υυυυυυυ
ωωωωωωω

---

关于希腊语的音译：您帖子中的图片旨在帮助用户在您使用相似字形而不总是相似的发音的网站上输入希腊语。那些是糟糕的音译。例如β 最常被音译为 v。ψ 是 ps。 φ是ph等。