java 汉字字典，获取汉字拼音，拼音首字母，五笔，笔画，笔画顺序

最新的可以下载的包（原来写的丢失了，重新写了个）：

http://download.csdn.net/detail/wssiqi/6394057

如果地址不可访问，查看我的资源，看还在不。~~~

环境：eclipsse, jdk1.6, 没有使用第三方的包，都是JDK有的。

注意，项目源文件我都使用的是UTF-8的编码格式，如果不是，代码里面的汉字注释会显示乱码。

设置UTF-8：windows->Preferences->General->Workspace 页面上Text file encoding，选择Other UTF-8

项目结构：

1.字典文件

dic.txt 下载地址:http://download.csdn.net/detail/wssiqi/5056993

这里只摘录一部分内容，里面共收录了20902个汉字

19968,一,一,1,1,GGLL,A,yi1,yī19969,丁,一,2,12,SGH,AI,ding1,dīng,zheng1,zhēng19970,丂,一,2,15,GNV,AZVV,kao3,kǎo,qiao3,qiǎo,yu2,yú19971,七,一,2,15,AGN,HD,qi1,qī19972,丄,一,2,21,HGD,IAVV,shang4,shàng19973,丅,一,2,12,GHK,AIAA,xia4,xià19974,丆,一,2,13,DGT,GDAA,han3,hǎn19975,万,一,3,153,DNV,,wan4,wàn,mo4,mò19976,丈,一,3,134,DYI,AOS,zhang4,zhàng19977,三,一,3,111,DGGG,CD,san1,sān19978,上,一,3,211,HHGG,IDA,shang3,shǎng,shang4,shàng19979,下,一,3,124,GHI,AID,xia4,xià19980,丌,一,3,132,GJK,AND,ji1,jī,qi2,qí19981,不,一,4,1324,GII,GI,fou3,fǒu,bu4,bù19982,与,一,3,151,GNGD,AZA,yu4,yù,yu3,yǔ,yu2,yú19983,丏,一,4,1255,GHNN,AIZY,mian3,miǎn19984,丐,一,4,1215,GHNV,AIZ,gai4,gài19985,丑,一,4,5211,NFD,XED,chou3,chǒu19986,丒,一,4,5341,VYGF,YDSA,chou3,chǒu

2.Dic.java

package com.siqi.dict;import java.io.BufferedReader;import java.io.ByteArrayInputStream;import java.io.File;import java.io.FileInputStream;import java.io.InputStreamReader;import java.nio.charset.Charset;/** * 汉字本地字典。 <br/> * 本地字典数据来自于<a href=http://www.zdic.net/search/?c=2>汉典</a> * 实现了一下常用的需求，例如返回拼音，五笔，拼音首字母，笔画数目，笔画顺序。 *  * @author siqi *  */public class Dic {/** * 设置是否输出调试信息 */private static boolean DEBUG = true;/** * 默认编码 */public static final Charset DEFAULT_CHARSET = Charset.forName("UTF-8");/** * 汉字Unicode最小编码 */public static final int CN_U16_CODE_MIN = 0x4e00;/** * 汉字Unicode最大编码 */public static final int CN_U16_CODE_MAX = 0x9fa5;/** * 本地字典文件名 */public static final String DIC_FILENAME = "dic.txt";/** * 字典数据 */public static byte[] bytes = new byte[0];/** * 字典汉字数目 */public static int count = 0;/** * 汉字unicode值在一条汉字信息的位置<br/> * 汉字信息，例："25171,打,扌,5,12112,RSH,DAI,da3,dǎ,da2,dá" */public static int INDEX_UNICODE = 0;/** * 汉字在一条汉字信息的位置<br/> * 汉字信息，例："25171,打,扌,5,12112,RSH,DAI,da3,dǎ,da2,dá" */public static int INDEX_CHARACTER = 1;/** * 汉字部首在一条汉字信息的位置<br/> * 汉字信息，例："25171,打,扌,5,12112,RSH,DAI,da3,dǎ,da2,dá" */public static int INDEX_BUSHOU = 2;/** * 汉字笔画在一条汉字信息的位置<br/> * 汉字信息，例："25171,打,扌,5,12112,RSH,DAI,da3,dǎ,da2,dá" */public static int INDEX_BIHUA = 3;/** * 汉字笔画顺序在一条汉字信息的位置<br/> * 汉字信息，例："25171,打,扌,5,12112,RSH,DAI,da3,dǎ,da2,dá" */public static int INDEX_BISHUN = 4;/** * 汉字五笔在一条汉字信息的位置<br/> * 汉字信息，例："25171,打,扌,5,12112,RSH,DAI,da3,dǎ,da2,dá" */public static int INDEX_WUBI = 5;/** * 汉字郑码在一条汉字信息的位置<br/> * 汉字信息，例："25171,打,扌,5,12112,RSH,DAI,da3,dǎ,da2,dá" */public static int INDEX_ZHENGMA = 6;/** * 第一个汉字拼音（英文字母）在一条汉字信息的位置<br/> * 汉字信息，例："25171,打,扌,5,12112,RSH,DAI,da3,dǎ,da2,dá" */public static int INDEX_PINYIN_EN = 7;/** * 第一个汉字拼音（中文字母）在一条汉字信息的位置<br/> * 汉字信息，例："25171,打,扌,5,12112,RSH,DAI,da3,dǎ,da2,dá" */public static int INDEX_PINYIN_CN = 8;/** * 装载字典 */static {long time = System.currentTimeMillis();try {LoadDictionary();count = count();if (DEBUG) {System.out.println("成功载入字典" + new File(DIC_FILENAME).getCanonicalPath() + " ，用时："+ (System.currentTimeMillis() - time) + "毫秒，载入字符数"+count);}} catch (Exception e) {try {System.out.println("载入字典失败" + new File(DIC_FILENAME).getCanonicalPath()+"\r\n");} catch (Exception e1) {}e.printStackTrace();}}/** * 获取汉字unicode值 *  * @param ch *            汉字 * @return 返回汉字的unicode值 * @throws Exception */public static String GetUnicode(Character ch) throws Exception {return GetCharInfo(ch, INDEX_UNICODE);}/** * 获取拼音（英文字母） *  * @param ch *            单个汉字字符 * @return 返回汉字的英文字母拼音。如 "大"->"da4"。 * @throws Exception */public static String GetPinyinEn(Character ch) throws Exception {return GetCharInfo(ch, INDEX_PINYIN_EN);}/** * 返回汉字字符串的拼音（英文字母） *  * @param str *            汉字字符串 * @return 返回汉字字符串的拼音。将字符串中的汉字替换成拼音，其他字符不变。拼音中间会有空格。 注意，对于多音字，返回的拼音可能不正确。 * @throws Exception */public static String GetPinyinEn(String str) throws Exception {StringBuffer sb = new StringBuffer();for (int i = 0; i < str.length(); i++) {char ch = str.charAt(i);if (isChineseChar(ch)) {sb.append(GetPinyinEn(ch) + " ");} else {sb.append(ch);}}return sb.toString().trim();}/** * 获取拼音（中文字母） *  * @param ch *            单个汉字字符 * @return 返回汉字的中文字母拼音。如 "打"->"dǎ"。 * @throws Exception */public static String GetPinyinCn(Character ch) throws Exception {return GetCharInfo(ch, INDEX_PINYIN_CN);}/** * 返回汉字字符串的拼音（中文字母） *  * @param str *            汉字字符串 * @return 返回汉字字符串的拼音。将字符串中的汉字替换成拼音，其他字符不变。拼音中间会有空格。 注意，对于多音字，返回的拼音可能不正确。 * @throws Exception */public static String GetPinyinCn(String str) throws Exception {StringBuffer sb = new StringBuffer();for (int i = 0; i < str.length(); i++) {char ch = str.charAt(i);if (isChineseChar(ch)) {sb.append(GetPinyinCn(ch) + " ");} else {sb.append(ch);}}return sb.toString().trim();}/** * 返回拼音首字母 *  * @param ch * @return * @throws Exception */public static String GetFirstLetter(Character ch) throws Exception {if (isChineseChar(ch)) {return GetPinyinEn(ch).substring(0, 1);} else {return "";}}/** * 返回汉字字符串拼音首字母，如果不是汉字，会被忽略掉。 *  * @param str *            汉字字符串 * @return * @throws Exception */public static String GetFirstLetter(String str) throws Exception {StringBuffer sb = new StringBuffer();for (int i = 0; i < str.length(); i++) {char ch = str.charAt(i);if (isChineseChar(ch)) {sb.append(GetFirstLetter(ch));}}return sb.toString().trim();}/** * 获取汉字部首 *  * @param ch *            汉字 * @return 返回汉字的部首 * @throws Exception */public static String GetBushou(Character ch) throws Exception {return GetCharInfo(ch, INDEX_BUSHOU);}/** * 获取汉字笔画数目 *  * @param ch *            汉字 * @return 返回汉字的笔画数目 * @throws Exception */public static String GetBihua(Character ch) throws Exception {return GetCharInfo(ch, INDEX_BIHUA);}/** * 获取汉字笔画顺序 *  * @param ch *            汉字 * @return 返回汉字的笔画顺序 * @throws Exception */public static String GetBishun(Character ch) throws Exception {return GetCharInfo(ch, INDEX_BISHUN);}/** * 获取汉字五笔 *  * @param ch *            汉字 * @return 返回汉字五笔 * @throws Exception */public static String GetWubi(Character ch) throws Exception {return GetCharInfo(ch, INDEX_WUBI);}/** * 获取汉字郑码 *  * @param ch *            汉字 * @return 返回汉字郑码 * @throws Exception */public static String GetZhengma(Character ch) throws Exception {return GetCharInfo(ch, INDEX_ZHENGMA);}/** * 从字典中获取汉字信息 *  * @param ch *            要查询的汉字 * @return 返回汉字信息，如"25171,打,扌,5,12112,RSH,DAI,da3,dǎ,da2,dá" <br/> *         第一是汉字unicode值<br/> *         第二是汉字<br/> *         第三是汉字部首<br/> *         第四是汉字笔画<br/> *         第五是汉字笔画顺序("12345"分别代表"横竖撇捺折")<br/> *         第六是汉字五笔<br/> *         第七是汉字郑码<br/> *         第八及以后是汉字的拼音（英文字母拼音和中文字母拼音）<br/> * @throws Exception */public static String GetCharInfo(Character ch) throws Exception {if (!isChineseChar(ch)) {throw new Exception("'" + ch + "' 不是一个汉字！");}String result = "";ByteArrayInputStream bais = new ByteArrayInputStream(bytes);BufferedReader br = new BufferedReader(new InputStreamReader(bais));String strWord;while ((strWord = br.readLine()) != null) {if (strWord.startsWith(String.valueOf(ch.hashCode()))) {result = strWord;break;}}br.close();bais.close();return result;}/** * 返回汉字信息 *  * @param ch *            汉字 * @param index *            信息所在的Index * @return * @throws Exception */private static String GetCharInfo(Character ch, int index) throws Exception {if (!isChineseChar(ch)) {throw new Exception("'" + ch + "' 不是一个汉字！");}// 获取汉字信息String charInfo = GetCharInfo(ch);String result = "";try {result = charInfo.split(",")[index];} catch (Exception e) {throw new Exception("请查看字典中" + ch + "汉字记录是否正确！");}return result;}/** * 载入字典文件到内存。 * @throws Exception  */private static void LoadDictionary() throws Exception {File file = new File(DIC_FILENAME);bytes = new byte[(int) file.length()];FileInputStream fis = new FileInputStream(file);fis.read(bytes, 0, bytes.length);fis.close();}/** * 判断字符是否为汉字，在测试的时候，我发现汉字的字符的hashcode值 跟汉字Unicode * 16的值一样，所以可以用hashcode来判断是否为汉字。 *  * @param ch *            汉字 * @return 是汉字返回true，否则返回false。 */public static boolean isChineseChar(Character ch) {if (ch.hashCode() >= CN_U16_CODE_MIN&& ch.hashCode() <= CN_U16_CODE_MAX) {return true;} else {return false;}}/** *  * @return 返回字典包含的汉字数目。 * @throws Exception */private static int count() throws Exception {int cnt = 0;ByteArrayInputStream bais = new ByteArrayInputStream(bytes);BufferedReader br = new BufferedReader(new InputStreamReader(bais));while (br.readLine() != null) {cnt++;}br.close();bais.close();return cnt;}}

3.Sample.java

如何使用字典

package com.siqi.dict;/** * 包含两个实例，示例如何获取汉字的拼音等信息。 * @author siqi * */public class Sample {/** * 字典使用实例 *  * @param args */public static void main(String[] args) {try {long time = System.currentTimeMillis();char ch = '打';//汉字单个字符System.out.println("====打字信息开始====");System.out.println("首字母："+Dic.GetFirstLetter(ch));System.out.println("拼音（中）："+Dic.GetPinyinCn(ch));System.out.println("拼音（英）："+Dic.GetPinyinEn(ch));System.out.println("部首："+Dic.GetBushou(ch));System.out.println("笔画数目："+Dic.GetBihua(ch));System.out.println("笔画："+Dic.GetBishun(ch));System.out.println("五笔："+Dic.GetWubi(ch));System.out.println("====打字信息结束====");//汉字字符串System.out.println("\r\n====汉字字符串====");System.out.println(Dic.GetPinyinEn("返回汉字字符串的拼音。"));System.out.println(Dic.GetPinyinCn("返回汉字字符串的拼音。"));System.out.println(Dic.GetFirstLetter("返回汉字字符串的拼音。"));System.out.println("====汉字字符串====\r\n");System.out.println("用时："+(System.currentTimeMillis()-time)+"毫秒");} catch (Exception e) {e.printStackTrace();}}}

4.结果

====打字信息开始====成功载入字典C:\workspaces\01_java\DictLocal\dic.txt ，用时：15毫秒，载入字符数20902首字母：d拼音（中）：dǎ拼音（英）：da3部首：扌笔画数目：5笔画：12112五笔：RSH====打字信息结束========汉字字符串====fan3 hui2 han4 zi4 zi4 fu2 chuan4 di2 pin1 yin1 。fǎn huí hàn zì zì fú chuàn dí pīn yīn 。fhhzzfcdpy====汉字字符串====Memory(Used/Total) : 1539/15872 KB用时：218毫秒

待会再上传如何获取字典文件的，我是通过收集http://www.zdic.net/zd/的网页来获取的

=============补充，如何获取汉字的信息================

=============所有的信息都是从汉典网站上获取的=========

目录结构为：

环境：eclipsse, jdk1.6, 没有使用第三方的包，都是JDK有的。

注意，项目源文件我都使用的是UTF-8的编码格式，如果不是，代码里面的汉字注释会显示乱码。

设置UTF-8：windows->Preferences->General->Workspace 页面上Text file encoding，选择Other UTF-8

包说明：

com.siqi.http

    Httpclient.java是我写的一个简单的获取网页的类，用来获取网页内容；

com.siqi.dict

    DictMain.java用来下载汉字网页，从中获取汉字的拼音信息，并保存到data.dat中

    DownloadThread.java用来下载网页（多线程）

com.siqi.pinyin

    PinYin.java在执行过DictMain.java后，会生成一个data.dat，把这个文件拷贝到com.siqi.pinyin包下面，就可以调用PinYin.java里面的函数得到汉字的拼音了

    PinYinEle.java一个汉字->拼音->Unicode的模型

源码：

Httpclient.java 可以用来获取网页，可以的到网页内容，网页编码和网页的header，简版

package com.siqi.http;import java.io.IOException;import java.io.InputStream;import java.net.Socket;import java.net.URLEncoder;import java.util.regex.Matcher;import java.util.regex.Pattern;/** * 使用SOCKET实现简单的网页GET和POST *  * @author siqi *  */public class Httpclient {/** * processUrl 参数 HTTP GET */public static final int METHOD_GET = 0;/** * processUrl 参数 HTTP POST */public static final int METHOD_POST = 1;/** * HTTP GET的报头，简化版 */public static final String HEADER_GET = "GET %s HTTP/1.0\r\nHOST: %s\r\n\r\n";/** * HTTP POST的报头，简化版 */public static final String HEADER_POST = "POST %s HTTP/1.0\r\nHOST: %s\r\nContent-Length: 0\r\n\r\n";/** * 网页报头和内容的分割符 */public static final String CONTENT_SEPARATOR = "\r\n\r\n";/** * 网页请求响应内容byte */private byte[] bytes = new byte[0];/** * 网页报头 */private String header = "";/** * 网页内容 */private String content = "";/** * 网页编码，默认为UTF-8 */public static final String CHARSET_DEFAULT = "UTF-8";/** * 网页编码 */private String charset = CHARSET_DEFAULT;/** * 使用Httpclient的例子 *  * @param args * @throws Exception */public static void main(String[] args) throws Exception {Httpclient httpclient = new Httpclient();// 请求百度首页（手机版）httpclient.processUrl("http://m.baidu.com/");System.out.println("获取网页http://m.baidu.com/");System.out.println("报头为：\r\n" + httpclient.getHeader());System.out.println("内容为：\r\n" + httpclient.getContent());System.out.println("编码为：\r\n" + httpclient.getCharset());System.out.println("************************************");// 使用百度搜索"中国"（手机版）// 这是手机百度搜索框的源码 <input id="word" type="text" size="20" maxlength="64"// name="word">String url = String.format("http://m.baidu.com/s?word=%s",URLEncoder.encode("中国", CHARSET_DEFAULT));httpclient.processUrl(url, METHOD_POST);System.out.println("获取网页http://m.baidu.com/s?word=中国");System.out.println("报头为：\r\n" + httpclient.getHeader());System.out.println("内容为：\r\n" + httpclient.getContent());System.out.println("编码为：\r\n" + httpclient.getCharset());}/** * 初始化，设置所有变量为默认值 */private void init() {this.bytes = new byte[0];this.charset = CHARSET_DEFAULT;this.header = "";this.content = "";}/** * 获取网页报头header *  * @return */public String getHeader() {return header;}/** * 获取网页内容content *  * @return */public String getContent() {return content;}/** * 获取网页编码 *  * @return */public String getCharset() {return charset;}/** * 请求网页内容（使用HTTP GET） *  * @param url * @throws Exception */public void processUrl(String url) throws Exception {processUrl(url, METHOD_GET);}/** * 使用Socket请求（获取）一个网页。<br/> * 例如:<br/> * processUrl("http://www.baidu.com/", METHOD_GET)会获取百度首页；<br/> *  * @param url *            这个网页或者网页内容的地址 * @param method *            请求网页的方法: METHOD_GET或者METHOD_POST * @throws Exception */public void processUrl(String url, int method) throws Exception {init();// url = "http://www.zdic.net/search/?c=2&q=%E5%A4%A7";// 规范化链接，当网址为http://www.baidu.com时，将网址变为：http://www.baidu.com/Matcher mat = Pattern.compile("https?://[^/]+").matcher(url);if (mat.find() && mat.group().equals(url)) {url += "/";}Socket socket = new Socket(getHostUrl(url), 80); // 设置要连接的服务器地址socket.setSoTimeout(3000); // 设置超时时间为3秒String request = null;// 构造请求，详情请参考HTTP协议(RFC2616)if (method == METHOD_POST) {request = String.format(HEADER_POST, getSubUrl(url),getHostUrl(url));} else {request = String.format(HEADER_GET, getSubUrl(url), getHostUrl(url));}socket.getOutputStream().write(request.getBytes());// 发送请求this.bytes = InputStream2ByteArray(socket.getInputStream());// 读取响应// 获取网页编码，我们只需要测试查找前4096个字节，一般编码信息都会在里面找到String temp = new String(this.bytes, 0,bytes.length < 4096 ? bytes.length : 4096);mat = Pattern.compile("(?<=<meta.{0,100}?charset=)[a-z-0-9]*",Pattern.CASE_INSENSITIVE).matcher(temp);if (mat.find()) {this.charset = mat.group();} else {this.charset = CHARSET_DEFAULT;}// 用正确的编码得到网页报头和内容temp = new String(this.bytes, this.charset);int headerEnd = temp.indexOf(CONTENT_SEPARATOR);this.header = temp.substring(0, headerEnd);this.content = temp.substring(headerEnd + CONTENT_SEPARATOR.length(),temp.length());socket.close(); // 关闭socket}/** * 根据网址，获取服务器地址<br/> * 例如：<br/> * http://m.weathercn.com/common/province.jsp * <p> * 返回：<br/> * m.weathercn.com *  * @param url *            网址 * @return */public static String getHostUrl(String url) {String host = "";Matcher mat = Pattern.compile("(?<=https?://).+?(?=/)").matcher(url);if (mat.find()) {host = mat.group();}return host;}/** * 根据网址，获取网页路径 例如：<br/> * http://m.weathercn.com/common/province.jsp * <p> * 返回：<br/> * /common/province.jsp *  * @param url * @return 如果没有获取到网页路径，返回""; */public static String getSubUrl(String url) {String subUrl = "";Matcher mat = Pattern.compile("https?://.+?(?=/)").matcher(url);if (mat.find()) {subUrl = url.substring(mat.group().length());}return subUrl;}/** * 将b1和b2两个byte数组拼接成一个, 结果=b1+b2 *  * @param b1 * @param b2 * @return */public static byte[] ByteArrayCat(byte[] b1, byte[] b2) {byte[] b = new byte[b1.length + b2.length];System.arraycopy(b1, 0, b, 0, b1.length);System.arraycopy(b2, 0, b, b1.length, b2.length);return b;}/** * 读取输入流并转为byte数组，不返回字符串， 是因为输入流的编码不确定，错误的编码会造成乱码。 *  * @param is *            输入流inputstream * @return 字符串 * @throws IOException */public static byte[] InputStream2ByteArray(InputStream is)throws IOException {byte[] b = new byte[0];byte[] bb = new byte[4096]; // 缓冲区int len = 0;while ((len = is.read(bb)) != -1) {byte[] newb = new byte[b.length + len];System.arraycopy(b, 0, newb, 0, b.length);System.arraycopy(bb, 0, newb, b.length, len);b = newb;}return b;}}

DictMain.java

package com.siqi.dict;import java.io.File;import java.io.FileReader;import java.io.FileWriter;import java.io.IOException;import java.util.regex.Matcher;import java.util.regex.Pattern;/** * 从汉典下载汉字网页，并提取拼音信息 * @author siqi * */public class DictMain {/** * 网页保存路径 */public static final String SAVEPATH = "dict/pages/";/** * 下载的汉字网页名称 */public static final String FILEPATH = SAVEPATH + "%s.html";/** * 字典数据文件名称 */public static final String DATA_FILENAME = "data.txt";/** * 汉字unicode最小 */public static final int UNICODE_MIN = 0x4E00;/** * 汉字unicode最大 */public static final int UNICODE_MAX = 0x9FFF;/** * 准备工作: * 1.从汉典网站下载所有汉字的页面，注意，不要在eclipse中打开保存页面的文件夹， * 因为每个汉字一个页面，总共有20000+个页面，容易卡死eclipse * 2.从汉字页面获取汉字拼音信息，生成data.dat文件 * 3.生成的data.dat复制到com.siqi.pinyin下面 * 4.可以使用com.siqi.pinyin.PinYin.java了 */static{// 下载网页for (int i = UNICODE_MIN; i <= UNICODE_MAX; i++) {// 检查是否已经存在String filePath = String.format(FILEPATH, i); // 文件名File file = new File(filePath);if (!file.exists()) {new DownloadThread(i).start();}}//解析网页，得到拼音信息，并保存到data.datStringBuffer sb = new StringBuffer();for (int i = UNICODE_MIN; i <= UNICODE_MAX; i++) {String word = new String(Character.toChars(i));String pinyin = getPinYinFromWebpageFile(String.format(FILEPATH, i));String str = String.format("%s,%s,%s\r\n", i,word,pinyin);System.out.print(str);sb.append(str);}//保存到data.dattry {FileWriter fw = new FileWriter(DATA_FILENAME);fw.write(sb.toString());fw.close();} catch (IOException e) {e.printStackTrace();}}public static void main(String[] args){System.out.println("All prepared!");}/** * 从网页文件获取拼音信息 * @param file * @return */private static String getPinYinFromWebpageFile(String file) {try {char[] buff = new char[(int) new File(file).length()];FileReader reader = new FileReader(file);reader.read(buff);reader.close();String content = new String(buff);// spf("yi1")Matcher mat = Pattern.compile("(?<=spf\\(\")[a-z1-4]{0,100}",Pattern.CASE_INSENSITIVE).matcher(content);if (mat.find()) {return mat.group();}//<span class="dicpy">cal</span> spf("xin1")mat = Pattern.compile("(?<=class=\"dicpy\">)[a-z1-4]{0,100}",Pattern.CASE_INSENSITIVE).matcher(content);if (mat.find()) {return mat.group();}} catch (Exception e) {e.printStackTrace();}return "";}}

DownloadThread.java

package com.siqi.dict;import java.io.File;import java.io.FileWriter;import java.net.URLEncoder;import java.util.regex.Matcher;import java.util.regex.Pattern;import com.siqi.http.Httpclient;/** * 将汉字页面从汉典网站下载下来，存储到本地 * http://www.zdic.net/search/?c=2 * @author siqi * */public class DownloadThread extends Thread{/** * 线程最大数目 */public static int THREAD_MAX = 10;/** * 下载最大重复次数 */public static int RETRY_MAX = 5;/** * 汉典网站搜索网址 */public static String SEARCH_URL = "http://www.zdic.net/search/?q=%s";/** * 当前线程数目 */private static int threadCnt = 0;/** * 当前线程处理汉字的unicode编码 */private int unicode = 0;/** * 如果PATH文件夹不存在，那么创建它 */static{try {File file = new File(DictMain.SAVEPATH);if (!file.exists()) {file.mkdirs();}} catch (Exception e) {}}/** * 返回当前线程数量 * @param i 修改当前线程数量 threadCnt += i; * @return 返回修改后线程数量 */public static synchronized int threadCnt(int i){threadCnt += i;return threadCnt;}/** * 下载UNICODE编码为unicode的汉字网页 * @param unicode */public DownloadThread(int unicode){//等待，直到当前线程数量小于THREAD_MAXwhile(threadCnt(0)>THREAD_MAX){try {Thread.sleep(500);} catch (InterruptedException e) {}}threadCnt(1);//线程数量+1this.unicode = unicode;}@Overridepublic void run() {long t1 = System.currentTimeMillis(); // 记录时间String filePath = String.format(DictMain.FILEPATH, unicode); // 文件名String word = new String(Character.toChars(unicode)); // 将unicode转换为数字boolean downloaded = false;int retryCnt = 0; // 下载失败重复次数while (!downloaded && retryCnt < RETRY_MAX) {try {String content = DownloadPage(word);SaveToFile(filePath, content);downloaded = true;threadCnt(-1);System.out.println(String.format("%s, %s, 下载成功！线程数目：%s 用时：%s",unicode, word, threadCnt(0), System.currentTimeMillis()- t1));return;} catch (Exception e) {retryCnt++;}}threadCnt(-1);System.err.println(String.format("%s, %s, 下载失败！线程数目：%s 用时：%s", unicode,word, threadCnt(0), System.currentTimeMillis() - t1));}/** * 在汉典网站上查找汉字，返回汉字字典页面内容 * @param word * @return * @throws Exception */public String DownloadPage(String word) throws Exception{//查找wordHttpclient httpclient = new Httpclient();String url = String.format(SEARCH_URL, URLEncoder.encode(word, "UTF-8"));httpclient.processUrl(url, Httpclient.METHOD_POST);//返回的是一个跳转页//获取跳转的链接Matcher mat = Pattern.compile("(?<=HREF=\")[^\"]+").matcher(httpclient.getContent());if(mat.find()){httpclient.processUrl(mat.group());}return httpclient.getContent();}/** * 将内容content写入file文件 * @param file * @param content */public void SaveToFile(String file, String content){try {FileWriter fw = new FileWriter(file);fw.write(content);fw.close();} catch (Exception e) {e.printStackTrace();}}}

PinYin.java

package com.siqi.pinyin;import java.io.BufferedReader;import java.io.InputStreamReader;import java.util.HashMap;import java.util.Map;public class PinYin {private static Map<Integer, PinYinEle> map = new HashMap<Integer, PinYinEle>();/** * 载入pinyin数据文件 */static {try {BufferedReader bReader = new BufferedReader(new InputStreamReader(PinYin.class.getResourceAsStream("data.dat")));String aLine = null;while ((aLine = bReader.readLine()) != null) {PinYinEle ele = new PinYinEle(aLine);map.put(ele.getUnicode(), ele);}bReader.close();} catch (Exception e) {e.printStackTrace();}}/** * 去掉注释可以测试一下 *  * @param args */public static void main(String[] args) {System.out.println("　包含声调：" + PinYin.getPinYin("大家haome12345"));System.out.println("不包含声调：" + PinYin.getPinYin("大家haome12345", false));}/** * 获取汉字字符串的拼音，containsNumber是否获取拼音中的声调1、2、3、4 *  * @param str * @param containsNumber *            true = 包含声调，false = 不包含声调 * @return */public static String getPinYin(String str, boolean containsNumber) {StringBuffer sb = new StringBuffer();for (Character ch : str.toCharArray()) {sb.append(getPinYin(ch, containsNumber));}return sb.toString();}/** * 获取字符串的拼音 *  * @param str * @return */public static String getPinYin(String str) {StringBuffer sb = new StringBuffer();for (Character ch : str.toCharArray()) {sb.append(getPinYin(ch));}return sb.toString();}/** * 获取单个汉字的拼音，包含声调 *  * @param ch * @return */public static String getPinYin(Character ch) {return getPinYin(ch, true);}/** * 获取单个汉字的拼音 *  * @param ch *            汉字. 如果输入非汉字，返回ch. 如果输入null，返回空字符串； * @param containsNumber *            true = 包含声调，false = 不包含声调 * @return */public static String getPinYin(Character ch, boolean containsNumber) {if (ch != null) {int code = ch.hashCode();if (map.containsKey(code)) {if (containsNumber) {return map.get(code).getPinyin();} else {return map.get(code).getPinyin().replaceAll("[0-9]", "");}} else {return ch.toString();}}return "";}}

PinYinEle.java

package com.siqi.pinyin;public class PinYinEle {private int unicode;private String ch;private String pinyin;public PinYinEle(){}public PinYinEle(String str){if(str!=null){String[] strs = str.split(",");if(strs.length == 3){try{this.unicode = Integer.parseInt(strs[0]);}catch(Exception e){}this.ch = strs[1];this.pinyin = strs[2];}}}public int getUnicode() {return unicode;}public void setUnicode(int unicode) {this.unicode = unicode;}public String getCh() {return ch;}public void setCh(String ch) {this.ch = ch;}public String getPinyin() {return pinyin;}public void setPinyin(String pinyin) {this.pinyin = pinyin;}}

生成的data.dat里面内容（部分）为：

19968,一,yi119969,丁,ding119970,丂,kao319971,七,qi119972,丄,shang419973,丅,xia419974,丆,han319975,万,wan419976,丈,zhang419977,三,san119978,上,shang419979,下,xia419980,丌,qi219981,不,bu4

运行DictMain.java结果

执行时间可能会有几十分钟到几小时不等，总共会下载200+M的网页（20000+个网页），每次运行都会先判断以前下载过没有，所以结束掉程序不会有影响

显示All prepared!表示已经准备好了，刷新项目文件夹，可以看到网页保持在dict/pages下面，不建议在elipse中打开那个文件夹，因为里面有2万多个文件，会卡死eclipse，

还可以看到生成了data.txt文件，改为data.dat并复制到pinyin文件夹下面

运行PinYin.java

可以看到"大家haome12345"的拼音：

　包含声调：da4jia1haome12345不包含声调：dajiahaome12345

上面只是显示了如何获取拼音，获取笔画等的方法类似，在这里就不演示了。

转载请注明出处