Pyglossary项目中文与日语词条处理问题解析

在Pyglossary项目中，针对Wiktextract数据源的中文和日语词条处理存在若干技术问题需要解决。这些问题主要涉及发音信息、例句展示以及同义词处理等方面。

发音信息处理问题

中文词条的发音信息存在重复渲染问题，这是由于Wiktionary的zh-pron模块自动生成多种变体导致的。例如，在"不安"词条中，客家话Sixian方言的发音会被重复显示两次。解决方案需要分析PHP编写的生成脚本，识别并过滤重复内容。

日语词条中的振假名(ruby text)被错误解析为列表形式。正确的处理方式应该将振假名与对应汉字关联显示，而非作为独立列表项。

例句展示优化

当前日语例句的振假名处理不够理想。建议采用以下两种改进方案之一：

1. 在原文下方添加单独一行，用方括号标注每个汉字的读音
2. 使用较小字号和不同颜色直接在原文汉字上方显示振假名

同时，例句的各部分(原文、罗马音、翻译)顺序需要标准化，建议统一采用"原文-假名-罗马音-翻译"的展示顺序。

同义词处理机制

中文同义词部分存在特殊挑战，特别是当同义词以表格形式呈现时。当前处理方式会产生大量无意义的串联文本。例如"我"字的同义词部分包含了数百个重复项和方言变体。

解决方案需要：

1. 在预处理阶段按标签(tags)对同义词分组
2. 正确识别语言/方言名称标签
3. 处理表格形式的同义词展示

技术实现建议

1. 发音信息去重：分析zh-pron模块生成规律，建立过滤规则
2. 振假名处理：实现两种展示方案，提供配置选项
3. 同义词处理：增强表格解析能力，优化标签识别
4. 派生词展示：新增派生词章节处理功能
5. 样式统一：采用与Wiktionary一致的CSS类命名规范

这些改进将显著提升Pyglossary处理中日文词典数据的准确性和用户体验。实现时需要注意保持代码的扩展性，以支持未来可能的Wiktextract数据格式变化。