Thai Soundex LK82, Udom83

LK82.py

# ตาม guru.sanook.com/1520
import re
t1 = str.maketrans("กขฃคฅฆงจฉชฌซศษสญยฎดฏตณนฐฑฒถทธบปผพภฝฟมรลฬฤฦวหฮอ",
                   "กกกกกกงจชชชซซซซยยดดตตนนททททททบปพพพฟฟมรรรรรวหหอ")
t2 = str.maketrans(
    "กขฃคฅฆงจฉชซฌฎฏฐฑฒดตถทธศษสญณนรลฬฤฦบปพฟภผฝมำยวไใหฮาๅึืเแโุูอ",
    "1111112333333333333333333444444445555555667777889AAABCDEEF")

def LK82(s):
    res = []
    s = re.sub("[่-๋]", "", s)  # 4.ลบวรรณยุกต์
    s = re.sub("[ก-ฮ][ิุู]?์", "", s) # 4.ลบการันต์
    s = re.sub("[็ํฺๆฯ]", "", s)  # 5.ทิ้งไม้ไต่คู่ ฯลฯ
    # 6.เข้ารหัสตัวแรก
    if 'ก'<=s[0]<='ฮ':
        res.append(s[0].translate(t1))
        s = s[1:]
    else:
        res.append(s[1].translate(t1))
        res.append(s[0].translate(t2))
        s = s[2:]
    # เข้ารหัสตัวที่เหลือ
    i_v = None  # ตำแหน่งตัวคั่นล่าสุด (สระ)
    for i,c in enumerate(s):
        if c in "ะัิี":  # 7. ตัวคั่นเฉยๆ
            i_v = i
            res.append('')
        elif c in "าๅึืู": # 8.คั่นและใส่
            i_v = i
            res.append(c.translate(t2))
        elif c == 'ุ':   # 9.สระอุ
            i_v = i
            if i==0 or (s[i-1] not in "ตธ"):
                res.append(c.translate(t2))
            else:
                res.append('')
        elif c in 'หอ':
            if i+1<len(s) and (s[i+1] in "ึืุู"):
                res.append(c.translate(t2))
        elif c in 'รวยฤฦ':
            if i_v == i-1 or (i+1<len(s) and (s[i+1] in "ึืุู")):
                res.append(c.translate(t2))
        else:
            res.append(c.translate(t2))  # 12.
    # 13. เอาตัวซ้ำออก
    res2 = [res[0]]
    for i in range(1, len(res)):
        if res[i] != res[i-1]:
            res2.append(res[i])
    # 14. เติมศูนย์ให้ครบ ถ้าเกินก็ตัด
    return ("".join(res2)+"0000")[:5]

Udom83.py

# ตาม https://sites.google.com/site/knowledgecomplex/porkaerm-kar-subkhn-kha-thiy-tam-seiyng-xan-thai-soundex
import re
tu1 = str.maketrans("กขฃคฅฆงจฉชฌซศษสฎดฏตฐฑฒถทธณนบปผพภฝฟมญยรลฬฤฦวอหฮ"
                   ,"กขขขขขงจชชชสสสสดดตตททททททนนบปพพพฟฟมยยรรรรรวอฮฮ")
tu2 = str.maketrans("มวำกขฃคฅฆงยญณนฎฏดตศษสบปพภผฝฟหอฮจฉชซฌฐฑฒถทธรฤลฦ"
                   ,"0001111112233344444445555666666777778888889999")

def Udom83(s):
    s = re.sub('รร([เ-ไ])', 'ัน\\1', s)  # 4.
    s = re.sub('รร([ก-ฮ][ก-ฮเ-ไ])', 'ั\\1', s) # 5.
    s = re.sub('รร([ก-ฮ][ะ-ู่-์])','ัน\\1', s)
    s = re.sub('รร', 'ัน', s)
    
    s = re.sub('ไ([ก-ฮ]ย)', '\\1', s)   # 2.
    s = re.sub('[ไใ]([ก-ฮ])','\\1ย', s)

    s = re.sub('ำ(ม[ะ-ู])', 'ม\\1', s)   # 3.
    s = re.sub('ำม', 'ม', s)
    s = re.sub('ำ', 'ม', s)

    s = re.sub('จน์|มณ์|ณฑ์|ทร์|ตร์|[ก-ฮ]์|[ก-ฮ][ะ-ู]์', "", s) # 6.
    s = re.sub('[ะ-์]', '', s) # 7.
    sd = s[0].translate(tu1)
    sd += s[1:].translate(tu2)
    return (sd+'000000')[:7]
# มีปัญหา กับ กรรไกร  ที่ ไ โดนแปลงไป ทำให้ รร ไม่ได้
# จึงต้องย้าย 4-5 ขึ้นไปก่อน 1

ผมแก้ไขตรงตัวการ์รันต์ใน LK82.py ครับ เพราะเนื่องจากภาษาไทยมีตัวการ์รันต์ เช่น ตร์ ทร์ ดร์ อยู่ด้วย จึงต้องเอาออกไปด้วยครับ https://gist.github.com/wannaphongcom/f65f5da55a5cfa62bb96eff816338b43#file-lk82-py

งั้นเปลี่ยนมาใช้กฎข้อ 6 ของ Udom83 แทนสิครับ
s = re.sub('จน์|มณ์|ณฑ์|ทร์|ตร์|[ก-ฮ]์|[ก-ฮ][ะ-ู]์', "", s)

พอจะแนะนำการเอา algorithm นี้ไปใช้งานให้หน่อยได้ไหมครับ ว่าต้องเอาไปใช้งานอย่างไร
คือที่สงสัยก็คือ เวลาใช้นี้ต้องเลือกเอาระหว่าง LK82 กับ Udom83 หรือว่าต้องใช้งานร่วมกันครับ
พอจะมีตัวอย่างการนำไปใช้งานให้ดูหน่อยได้ไหมครับ