如何构建僧伽罗语-英文字符映射实现无语义字符转写

纯字符层面的转写不需要调用任何翻译类库，直接维护固定字符映射表+逐字符替换即可实现，全程不会触发语义转换，具体步骤如下：

1. 搭建基础映射结构 #

你预期的单字符对应固定英文字母组合的规则，最适合用键值对结构存储，后续补全字符时直接往里面加条目就行，不需要复杂逻辑。基础格式示例：

# 僧伽罗语 -> 英文字母组合 映射表
sinhala_trans_map = {
    "ක": "ka",
    "ට": "ta",
    "ර": "ra",
    "ම": "ma"
    # 后续按相同格式补充其他字符即可
}

如果字符量比较大，你也可以把映射单独存成tsv/csv文件，每行存一组对应关系，程序启动时加载即可。

2. 实现转写逻辑 #

核心逻辑就是逐字符遍历Tesseract OCR输出的文本，每个字符去映射表里找对应的英文字母组合，找不到的内容（比如数字、标点、空格、未收录的特殊符号）直接保留原文，完全不会做语义转换，匹配你的需求。
最简Python实现代码：

def sinhala_to_roman(ocr_raw_text):
    output = []
    for c in ocr_raw_text:
        # 命中映射就替换，否则保留原字符
        output.append(sinhala_trans_map.get(c, c))
    return "".join(output)

# 调用示例：传入Tesseract识别得到的僧伽罗语文本
ocr_result = "කටරම"
print(sinhala_to_roman(ocr_result))  # 输出：katarama，完全逐字符对应，无语义翻译

3. 补全映射表的实操方法 #

不用一开始就找全所有僧伽罗语字符，结合你自己的项目场景补全效率最高：

• 先把你手头所有Tesseract识别出来的僧伽罗语样本做字符去重，列成待匹配清单
• 优先补清单里出现频率高的字符，边测边补，直到所有样本都能正常转写
• 记得把僧伽罗语的独立元音、辅音变音符号、标点符号也加入映射，这类字符在OCR输出里会单独占一个字符位，逐字符遍历时会自动替换，不会遗漏

注意：不要使用任何翻译类库处理这类需求，翻译接口默认会做语义层面的转换，哪怕调整参数也很难做到完全逐字符转写，自己维护映射表的方式准确率完全可控，也不会出现语义篡改的问题。

内容的提问来源于stack exchange，提问作者user16935749