你有沒有曾經(jīng)好奇過Chrome瀏覽器是如何知道一個(gè)網(wǎng)頁的語言，并對(duì)外國文字的網(wǎng)頁提供翻譯服務(wù)的？或者，F(xiàn)acebook是如何翻譯你朋友用寫在你主頁上的外國文字？檢測一種語言實(shí)際上非常簡單，改進(jìn)了用戶體驗(yàn)，而且不需要用戶做任何的事情。

我無意中發(fā)現(xiàn)的 ActiveState recipe for a language detector in Python這是非常不錯(cuò)的一段程序，但是我決定做點(diǎn)小小的改進(jìn)。提供一些背景知識(shí)給那些不熟悉自然語言處理或者是程序語言學(xué)的人。

如果你是有經(jīng)驗(yàn)的程序員，你也許可以直接跳到這段文字最下端的程序部分。出奇的簡單。

你需要熟悉Python語法。如果你從來沒有用過python， 我建議你讀一下 Zed Shaw 的《 Learn Python the Hard Way》。

確定你下載并安裝了python，而且可以正常運(yùn)行程序。這段文字中的python不算很長，所以你可以用任何文本編輯器從而省去安裝任何軟件的麻煩。（譯者注：在線的python 編譯器也可以運(yùn)行這段程序，其中一種編譯器在jobbole 的另一篇文章中提到過，http://blog.jobbole.com/53346/）。

***部分，什么檢測到了一種語言？

在你寫區(qū)分語言的程序之前，你需要回答一個(gè)問題：什么區(qū)別了兩種語言？

有趣的是，這個(gè)問題的答案會(huì)根據(jù)不同的比較語言而有所不同。比如：

女性が牛乳を飲んだ。 (譯者注： 日語：女性喝牛奶。)

你是怎么知道這句話不是英文的？你也許不熟悉日文，但是你肯定知道這些字符不是英文，你甚至不需要知道具體哪個(gè)字符不存在于英文字母中。

La femme boit du lait.   (譯者注： 法語：女性喝牛奶。)

你怎么知道這句話不是英文的？有一點(diǎn)麻煩。每個(gè)字母都在英文中。甚至每一個(gè)字母和句型結(jié)構(gòu)都和英文的同一個(gè)意思的那句話很相似—— “The woman drank milk.” (譯者注： 英語：女性喝牛奶。) 。 你的大腦用了另一個(gè)特性去判斷這個(gè)：盡管字母很相似，這兩句話發(fā)音沒有任何相似之處。

還有很多更復(fù)雜的方式去檢測兩種不同的語言（例如，語法、句法等等）上面提到的兩個(gè)特性似乎足夠用來區(qū)分很多的書寫文字。

提問：你可以想到一個(gè)相反的例子嘛？ 兩種不能用字符或者發(fā)音而區(qū)分的語言？（譯者注：這是我想到的，和編者沒有任何關(guān)系。Hindi 和Nepali 的區(qū)分度極低，印度的一種語言和尼泊爾的官方語言的區(qū)別度非常低，字符區(qū)別很低而發(fā)音更高達(dá)50％的相似度。當(dāng)然，他們兩個(gè)是同一語系的語種。）

第二部分，如何用計(jì)算機(jī)檢測到這些特性？

***個(gè)特性已經(jīng)存在于任何一臺(tái)現(xiàn)代化的機(jī)器里 ——character encodings 字符解碼允許任何一臺(tái)計(jì)算機(jī)去通過二進(jìn)制碼而呈現(xiàn)每一個(gè)字符。我們要用unicode 在Python 的程序中。

第二個(gè)特征更有意思。如何能讓一臺(tái)電腦檢測到字符串的發(fā)音呢？答案比想象的簡單點(diǎn)：字符串順序是按照聲音解碼的！他們有直接的穩(wěn)定的對(duì)應(yīng)關(guān)系－ 語言改變的非常緩慢。

因此，你可以用下面的兩個(gè)特性去檢測一行文本語言：

• 單個(gè)字符的重復(fù)性
• 字符串的重復(fù)性

實(shí)際上，這兩個(gè)特性濃縮到了一個(gè)特性中：字符串的順序。單個(gè)字符的重復(fù)性只是字符串的重復(fù)性。

快速知識(shí)補(bǔ)充：在計(jì)算機(jī)語言學(xué)中，字符串的長度 n 被定義為 n-gram。 “a” 是一個(gè)gram, 1-gram. “bc”是兩個(gè)gram,2-gram or bigram。 “def” 是三個(gè)gram, 3-gram 或者trigram，以此類推。

第三部分，用python 實(shí)現(xiàn)吧！

首先，我們需要計(jì)算某個(gè)字符串在特定文本中出現(xiàn)的次數(shù)。為了封裝結(jié)果，我們將建立一個(gè)NGram 類。

原文鏈接：http://blog.ebookglue.com/write-language-detector-50-lines-python/

譯文鏈接：http://blog.jobbole.com/54707/