Java 如何确定字符串是英语还是阿拉伯语？

有没有办法确定字符串是英语还是阿拉伯语？

您可以使用基于N-gram的文本分类（谷歌搜索该短语），但这不是一种防故障技术，可能需要一个不太短的字符串

---

您可能还认为只有ASCII字母的字符串不是阿拉伯语。

您通常可以通过字符串本身的代码点来判断。阿拉伯语占据Unicode代码空间

---

这是一个相当安全的赌注，如果这些块中存在相当大比例的字符（如

  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;
  }

public静态布尔值isProbablyArabic（字符串s）{
对于（int i=0；i=0x0600&&c请尝试以下操作：

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;
}

内部静态bool包含两个字母（字符串文本）
{
foreach（text.ToCharArray（）中的字符）
{
如果（字符>=0x600&&character=0x750&&character=0xfb50&&character=0xfe70&&character进行了细微更改，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;
      }

private boolean isArabic（字符串文本）{
String textWithoutSpace=text.trim（）.replaceAll（“，”）；//忽略空白
对于（int i=0；i如果（c>=0x0600&&c=0xFE70&&cJava本身支持unicode的各种语言检查，那么也支持阿拉伯语。更简单、最小的方法是使用unicode块

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

英文字符通常位于以下4个Unicode块中：


基础拉丁语
拉丁语补遗
拉丁语扩展
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;
}


有点正确。但当我们将波斯语和英语字母组合在一起时，它返回TRUE！，这是不正确的。
在这里，我修改了相同的方法，使其工作良好

 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;
}

public静态布尔值isProbablyArabic（字符串s）{
对于（int i=0；i如果从当今世界的角度来看，（！（c>=0x0600&&c），我想，“1234”是两个字吗？@Nishant，阿拉伯语是使用正则数还是Rumi？你的意思是它是包含英语还是阿拉伯语文本，还是以这种方式编码？第二种情况应该很简单，因为字符不在相同的Unicode范围内（请参阅：）。你不能以确定的方式来做这件事。所有信息都必须说明它是什么。这就是编码等的原因。但你可能会猜。你应该提供一个非常简短的Java演示来说明你的想法。否则，我认为这是最好的方法（英语与阿拉伯语）。它还需要大量的培训数据（更不用说训练时间了）。您可能还想检查其他阿拉伯语范围-请参阅我答案中的链接。此方法对于大型字符串非常低效，因为它会在每次迭代中计算字符串的长度。Character.codePointCount（s，0，s.length（））应该首先分配给一个变量，这样它就不会在每次迭代中调用此函数。@jazib：实际上，更大的问题是对代码点的迭代，这是不正确的。只是解决了它。在我的情况下，您的代码是不可编译的，除非我用Character.UnicodeBlock.ARABIC替换Character.UnicodeBlock.ARABIC，请注意您的方法名是错误的isTextContainsHindi它应该是isTextContainsArabic@GuaravTyagi@Jeeva为了检查英语，英语字符通常在以下4个Unicode块中：基本拉丁语、拉丁语1补充、拉丁语扩展、通用标点符号