计算印度语言的字符数（印地语、泰米尔语支持所有印度语言）

Question

是否有任何最佳方法来实现印度语（如印地语泰米尔语）的字符计数例如，如果我们采用英语中的“母亲”一词，它是一个 6 个字母的单词。但是，如果您用印地语键入相同的单词（\xe0\xa4\xae\xe0\xa4\xbe\xe0\xa4\xa4\xe0\xa4\xbe），它是一个两个字母的单词（\xe0\xa4\xae\ xe0\xa4\xbe + \xe0\xa4\xa4\xe0\xa4\xbe) 但字符长度变成了4。有没有办法计算真实字符的数量？

\n\n

\xe0\xa4\xae\xe0\xa4\xbe\xe0\xa4\xa4\xe0\xa4\xbe -> actual -> 4, Expected-> 2\n\xe0\xa4\x9c\xe0\xa4\x97\xe0\xa4\xa6\xe0\xa5\x80\xe0\xa4\xb6  -> actual ->5 , Expected -> 4\n\xe0\xa4\x95\xe0\xa5\x8d\xe0\xa4\xb0\xe0\xa4\xae\xe0\xa4\xb6  -> actual -> 5, expected -> 3\n

\n\n

对此的任何帮助将不胜感激......

\n

Answer 1

我知道五年后回答没有任何帮助。但可能会对其他正在寻找同样东西的人有所帮助。

\n

我也有同样的要求。根据我的搜索，没有任何即插即用的软件包可以做到这一点。看到印度语言的问题是， \xe0\xa4\xae\xe0\xa4\xbe\xe0\xa4\xa4\xe0\xa4\xbe 单词被视为 "ma" + "aa" (matra) + "tha " + "aa" (matra) 因此它变成 4。为了避免这种情况，您必须对 Unicode 中仅对应于完整字母的字符范围进行硬编码，并忽略字符。

\n

看看这个：\n[https://en.wikipedia.org/wiki/Devanagari_(Unicode_block)][1]

\n

在表中，\n(U+090x4 to U+093x9) + (U+095x8 to U+095xF) 将成为普通字符，其他都是 matras，你应该忽略它们，所以在你使用的编程语言中，你应该.filter() 或类似的操作来查找字符数。

\n