更好的缩短英语单词的算法

Question

我有一些从我的应用程序的各个独立组件中的字符串（例如：网站主机名）生成的唯一代码。

这些代码仅供机器使用，因此我希望尽可能缩短它们。

以下算法将应用于字符串中的每个单词。输出字将与短划线连接以生成唯一代码。

The current algorithm I have used:

 - Skip word if length is less than 6

 - Leave first character as is

 - Remove every wowel in the word from the second character onwards

1. 建筑摘要eu =＆gt; archtctrl-DGST-EU
2. arizona foothills magazine =＆gt; arzn-fthlls-的MgZn

是否有更好的方法来缩短英语单词，使其尽可能地被人类读者识别？

输出应该是确定性的，并且只要在同一输入上运行就会产生相同的缩短版本。

一个好的算法也应该减少类似拼写单词的冲突次数。

Answer 1

  

我有一些从字符串生成的唯一代码

我担心这不是真的。在剥离元音时，有许多英语单词将减少为相同的“代码字”。例如，'离开' - ＆gt; '生活'鉴于，这是相当罕见的，它仍然可能导致问题。

如果您说，这些“代码字”仍然是人类可读的，那么它们只能被机器使用，这有多重要？如果它不重要，我建议您研究一些更简单的压缩算法，如Huffman Coding或LZW Compression。然后，如果用户需要查看代码字的翻译，只需解压缩即可。

如果你必须保持人类可读性，我不确定你能做些什么来缩短它。您可以查看特定的拉丁语+希腊词根，并确定是否可以手动缩短它们，然后自动替换它们。

或者，您可以转向语音方法。自动搜索单词的发音，然后查看它是否更短（或者自身可以被压缩，将'cee'变为'C'，或'kay'变为'K'）。这将是更多的时间和CPU密集型，但如果你真的需要简短但可读的代码，它仍然是一个选项。

Answer 2

您所生成的内容听起来像是"slug"。有许多库可以处理适用于您的目的的博客或站点生成器。以下是名为slugify的Python库中的一个用法示例：

txt = "___This is a test ---"
r = slugify(txt)
self.assertEqual(r, "this-is-a-test")

Slug库通常这样工作：

1. 通过映射替换非ascii语言字符（例如：影師嗎 -> ying-shi-ma）
2. 通过映射替换带有ascii等效项的带重音的拉丁字母（例如：C'est déjà l'été. -> c-est-deja-l-ete）
3. 删除开头和尾随空格/标点符号
4. 将剩余空格和标点符号转换为破折号，将一行中的多个破折号折叠为单个破折号

如果你想缩短slu ,,你可以删除元音，或者更简单地说，使用最大长度。