思路是這樣的，首先，需要壹個詞庫，這個詞庫包含單字的和詞組的，其次，需要進行壹場串字母的切割算法(bdu切分為b、du)，最後需要壹個檢索和排序算法，來應對類似首字母檢索(sz對應深圳)和部分字母檢索(shenz對應深圳)等各種情況。下面介紹我是怎麽從零開始做壹款拼音輸入法的。
單字的詞庫，由於有漢字詞典，所以比較簡單，這裏用的是網上壹個開源的詞庫文件：
數目為3萬多，但是裏面包含了許多基本不會用到的偏僻字：
具體的排除偏僻字的方法後面會介紹。
詞組的詞庫，由於做輸入法的出發點，是為了搜索地圖裏面的POI點服務的，所以優先考慮地理詞，壹開始想到的是用 搜狗細胞詞庫 上面的所有城市的精選地理信息：
解析方法參考： Java-解析搜狗輸入法分類詞庫scel文件
但是這樣的方式，後來在使用中，發現其雖然包含了非常多的地理信息，但是對於輸入法來說，並不好用，原因在於，用戶其實是更習慣於用常用字來檢索的，例如：用戶輸入“baidu”，是想要打出“百度”這樣的常用字，而不是像“柏渡”這樣類似的地理詞。
基於此，後面的詞組詞庫是用的搜狗以前版本的核心詞庫，解析方法參考：
Java-解析搜狗輸入法核心詞庫sgim_core.bin文件 。
有點麻煩的是，搜狗的詞庫只有漢字，並沒有對應的拼音，所以這裏用pinyin4j來做轉換，轉換方法參考： Java-漢字轉拼音 。
數目為42萬多，但是裏面同樣也包含了很多的偏僻詞組，排除方法後面會介紹。
由於是輸入法，排序規則顯然是越常用的排越前面，但是由於用到的詞庫並沒有詞頻，所以必須想辦法通過機器去自動生成詞頻，以便進行常用性排序。
對於這壹點，在經過思考以後，決定采用百度搜索引擎來進行數據搜集。在百度搜索引擎搜索每個詞組時，可以看到有多少個相關的結果，我們有理由相信，越多的相關結果，意味著被檢索的次數也多，也就越常用。
下面是對於"kebi"對應的“科比”和“可鄙”在百度搜索引擎的結果數對比：
可以看到，"科比"的搜索相關結果更多，顯然也更常用。
基於這壹策略，通過對詞庫中的單字和詞組進行百度指數(結果數/萬)的爬蟲搜集，這裏涉及到跟百度反爬蟲部門的鬥智鬥勇，包括不定時切IP等，不過最終還是成功把45萬詞條的數據爬取下來了，部分結果如下：
完成以後，根據百度指數，設置壹個閾值(這裏是100)，小於100的就判斷為生僻字和詞組，將其從詞庫中刪除，最終只保留了33萬條詞條。
由於我們的輸入法的使用場景主要在於地圖的搜索POI點，所以，我們如果能判斷壹個詞組是否是地理詞，將其排在更前面，則體驗上會更好。基於我們在排序中的思路，考慮從百度檢索結果中看能不能進壹步挖掘價值。
下面是搜索兩個地理詞，“深圳”和"南山"在百度搜索引擎的結果：
可以看出，地理詞在檢索結果中，很可能會出現“地圖”和“旅遊攻略”字眼，我們可以以此為依據，來判斷壹個詞為地理詞。依舊通過爬蟲，新壹輪的鬥智鬥勇後，成功地識別出來了地理詞。
下面是識別出來的首字母為”ns“的地理詞列表：
從結果來看，顯然這策略也並不是完美的，會出現壹些詞的誤判，例如“那啥”，但是從最終效果來看，還是非常好的。
對於用戶已經選擇過的詞，我們應該在用戶再次輸入的時候出現在最前面。因此，我們在詞庫中加入壹個“click”字段，用於記錄該詞的被選擇次數，次數越多的，更高優先級展示給用戶。
通過上述步驟解決了，詞庫的建立，詞組的常用性排序，地理詞的識別以及記錄用戶選擇次數後，我們就搭建起了壹個完整可用的詞庫。
在此基礎上，我們需要在用戶輸入壹串字母的時候，對其進行切割，例如，baidu切割成bai和du，szhen切割成s和zhen。對於這壹點，這裏用到的是壹個基於拼音語法規則的正則表達式：
這個正則表達式可以正確地分割出長串的字母為單個的拼音，例如分割：
但是，在測試中，發現其分割有缺陷，例如，對於分割"hn"，直接分割成了“hn”，而正確的分割是"h n"，所以，針對這種情況，做了容錯處理，後面會介紹。
切割完成後，我們需要將其從詞庫中檢索出來對應的詞語。
以“szhen”舉例，切割完成後，是"s"和“zhen”，首先，我們可以確認其首字母為"sz"，其次，我們可以確定，全拼音的匹配正則表達式為：
其中，“%”表示零個或多個字母。
利用Sqlite的LIKE來進行全拼音正則匹配，並對地理詞和用戶選擇詞進行優先排序，最後根據百度指數進行排序，查詢語句為：
這裏，由於交互上的需求，用戶選擇過的詞排在最前面，後面固定出現三個地理詞，再後面的詞，根據百度指數進行排序。對於上文提到的“hn”分割錯誤導致的異常，這裏需要將其當成是純首字母檢索處理。
為了查看最終的交互效果，我們隨機取幾個字符串，來看看匹配結果與搜狗輸入法進行對比：
可以看到，在常用詞上，兩者出現的詞基本重合，而本文的輸入法，在地理詞上，體驗要更好。
最後放上加上界面開發的成果圖：