中文排序

摘要：在Java中，對一個數組或列表(在本文中統稱為集合)中的元素排序，是一個很經常的事情。好在Sun公司在Java庫中實現了大部分功能。如果集合中的元素實現了Comparable接口，調用Array或Collections的靜態(static)方法sort，就可以直接對集合排序。程序員用不同的方式實現了Comparator接口，就可以用各自不同的方式排序。對于包含漢字的字符串來說，排序的方式主要有兩種：一種是拼音，一種是筆畫。本文就講述如何實現這兩種不同的比較器(Comparator)。

作者：Jeff 發表于：2007年12月21日 11:27 最后更新于： 2007年12月21日 12:38
版權聲明：可以任意轉載，轉載時請務必以超鏈接形式標明文章原始出處和作者信息及本版權聲明。
http://m.tkk7.com/jeff-lau/archive/2007/12/21/169257.html

排序概述

在Java中，對一個數組或列表(在本文中統稱為集合)中的元素排序，是一個很經常的事情。好在Sun公司在Java庫中實現了大部分功能。如果集合中的元素實現了Comparable接口，調用以下的靜態(static)方法，就可以直接對集合排序。

// 數組排序方法
// 數組中的元素可以是像int這樣的原生類型(primitive type), 也可以是像String這樣實現了Comparable接口的類型，這里用type表示。
java.util.Arrays.sort(type[] a);

// 列表
public static <T> void sort(List<T> list)

以上的這些排序方式能滿足大部分應用。但集合中的元素沒有實現Comparable接口，或者集合中的元素要按一種特別的方式排序，這要怎么辦？Sun公司早就想到了，并在Java庫中提供上面兩個方法的重載。

// 數組排序方法。
// 數組中的元素可以是像int這樣的原生類型(primitive type), 也可以是像String這樣實現了Comparable接口的類型，這里用type表示。
public static <T> void sort(T[] a, Comparator<? super T> c)

// 列表
public static <T> void sort(List<T> list, Comparator<? super T> c)

只要實現了Comparator接口，就可以按程序員自己的意思去排序了。對于包含漢字的字符串來說，排序的方式主要有兩種：一種是拼音，一種是筆畫。漢字是通過一定的編碼方式存儲在計算機上的，主要的編碼有：Unicdoe、GB2312和GBK等。

Unicode 編碼中的漢字

Unicode中編碼表分為兩塊，一個是基本的，一個是輔助的。現在的大多數操作系統還不支持Unicode中輔助區域中的文字，如WinXp。

在Java中的字符就是Unicode碼表示的。對于Unicode基本區域中的文字，用兩個字節的內存存儲，用一個char表示，而輔助區域中的文字用4個字節存儲，因此輔助區域中的就要用兩個char來表示了(表一種藍色底就是輔助區域中的文字)。一個文字的unicode編碼，在Java中統一用codePoint(代碼點)這個概念。

中文和日文、韓文一樣是表意文字，在Unicode中，中日韓三國(東亞地區)的文字是統一編碼的。CJK代表的就是中日韓。在這里，我把這3中文字，都作為漢字處理了。(日語和韓語可能就是從漢語中衍生的吧！)

漢字在Unicode中的分布大致如下表：

	首字編碼	尾字編碼	個數
基本漢字	U4E00	U9FBF	20928
異性字	UF900	UFAFF	512
擴展A	U3400	U4D8F	512
擴展B	U20000	U2A6DF	42720
補充	U2F800	U2FA1F	544
其他			...

表一

在這些編碼區間，有些編碼是保留的。

GB2312編碼

GB2312是中華人民共和國最早的計算機漢字編碼方式。大概有6000多個漢字，這些漢字是按拼音順序編碼的。這6000多個漢字都是簡體中文字。

GBK編碼

GB2312的擴展，并兼容GB2312。擴展后的漢字大概有2萬多個，其中有簡體漢字也有繁體漢字。

拼音排序

拼音有好幾種方式，其中最主要的是中華人民共和國的漢語拼音 Chinese Phonetic。對漢字的排序有兩種：一種是寬松的，能夠按拼音排序最常用的漢字，另一種是嚴格的，能夠按拼音排序絕大部分大部分漢字。

寬松的拼音排序法

原理：漢字最早是GB2312編碼，收錄了六千多個漢字，是按拼音排序的，編碼是連續的。后來出現了GBK編碼，對GB2312進行了擴展，到了兩萬多漢字，并且兼容GB2312，也就是說GB2312中的漢字編碼是原封不動搬到GBK中的(在GBK編碼中[B0-D7]區中)。

如果我們只關心這6000多個漢字的順序，就可以用下面的方法實現漢字寬松排序。

/**
* @author Jeff
*
* Copyright (c) 復制或轉載本文，請保留該注釋。
*/

package chinese.utility;

import java.text.Collator;
import java.util.Comparator;
import java.util.Locale;

public class PinyinSimpleComparator implements Comparator<String> {
    public int compare(String o1, String o2) {
        return Collator.getInstance(Locale.CHINESE).compare(o1, o2);
    }
}

在對[孫, 孟, 宋, 尹, 廖, 張, 徐, 昆, 曹, 曾,怡]這幾個漢字排序，結果是：[曹, 昆, 廖, 孟, 宋, 孫, 徐, 尹, 曾, 張, 怡]。最后一個怡有問題，不該排在最后的。

注意：這個程序有兩個不足

由于gb2312中的漢字編碼是連續的，因此新增加的漢字不可能再按照拼音順序插入到已有的gb2312編碼中，所以新增加的漢字不是按拼音順序排的。
同音字比較的結果不等于0 。

下面的測試代碼可以證明

/**
* @author Jeff
*
* Copyright (c) 復制或轉載本文，請保留該注釋。
*/

/**
* 非常用字(怡)
*/
@Test
public void testNoneCommon() {
Assert.assertTrue(comparator.compare("怡", "張") > 0);
}

/**
* 同音字
*/
@Test
public void testSameSound() {
Assert.assertTrue(comparator.compare("怕", "帕") != 0);
}

嚴格的拼音排序法

為了解決寬松的拼音的兩點不足，可以通過實現漢語拼音的函數來解決。goolge下看到sf上有個pinyin4j的項目，可以解決這個問題，pinyin4j的項目地址是：http://pinyin4j.sourceforge.net/。

實現代碼：

/**
* @author Jeff
*
* Copyright (c) 復制或轉載本文，請保留該注釋。
*/
package chinese.utility;

import java.util.Comparator;
import net.sourceforge.pinyin4j.PinyinHelper;

public class PinyinComparator implements Comparator<String> {

public int compare(String o1, String o2) {

for (int i = 0; i < o1.length() && i < o2.length(); i++) {

int codePoint1 = o1.charAt(i);
int codePoint2 = o2.charAt(i);

            if (Character.isSupplementaryCodePoint(codePoint1)
                    || Character.isSupplementaryCodePoint(codePoint2)) {
                i++;
            }

            if (codePoint1 != codePoint2) {
                if (Character.isSupplementaryCodePoint(codePoint1)
                        || Character.isSupplementaryCodePoint(codePoint2)) {
                    return codePoint1 - codePoint2;
                }

String pinyin1 = pinyin((char) codePoint1);
String pinyin2 = pinyin((char) codePoint2);

                if (pinyin1 != null && pinyin2 != null) { // 兩個字符都是漢字
                    if (!pinyin1.equals(pinyin2)) {
                        return pinyin1.compareTo(pinyin2);
                    }
                } else {
                    return codePoint1 - codePoint2;
                }
            }
        }
        return o1.length() - o2.length();
    }

    /**
     * 字符的拼音，多音字就得到第一個拼音。不是漢字，就return null。
     */
    private String pinyin(char c) {
        String[] pinyins = PinyinHelper.toHanyuPinyinStringArray(c);
        if (pinyins == null) {
            return null;
        }
        return pinyins[0];
    }
}

測試：

/**
* @author Jeff
*
* Copyright (c) 復制或轉載本文，請保留該注釋。
*/
package chinese.utility.test;

import java.util.Comparator;

import org.junit.Assert;
import org.junit.Test;

import chinese.utility.PinyinComparator;

public class PinyinComparatorTest {

private Comparator<String> comparator = new PinyinComparator();

    /**
     * 常用字
     */
    @Test
    public void testCommon() {
        Assert.assertTrue(comparator.compare("孟", "宋") < 0);
    }

    /**
     * 不同長度
     */
    @Test
    public void testDifferentLength() {
        Assert.assertTrue(comparator.compare("他奶奶的", "他奶奶的熊") < 0);
    }

    /**
     * 和非漢字比較
     */
    @Test
    public void testNoneChinese() {
        Assert.assertTrue(comparator.compare("a", "阿") < 0);
        Assert.assertTrue(comparator.compare("1", "阿") < 0);
    }

    /**
     * 非常用字(怡)
     */
    @Test
    public void testNoneCommon() {
        Assert.assertTrue(comparator.compare("怡", "張") < 0);
    }

    /**
     * 同音字
     */
    @Test
    public void testSameSound() {
        Assert.assertTrue(comparator.compare("怕", "帕") == 0);
    }

    /**
     * 多音字(曾)
     */
    @Test
    public void testMultiSound() {
        Assert.assertTrue(comparator.compare("曾經", "曾迪") > 0);
    }

}

我的這樣嚴格的拼音排序還是有有待改進的地方，看上面測試代碼的最后一個測試，就會發現：程序不會根據語境來判斷多音字的拼音，僅僅是簡單的取多音字的第一個拼音。

筆畫排序

要按筆畫排序，就要實現筆畫比較器。

class StokeComparator implements Comparator<String>

如果有個方法可以求得漢字的筆畫數，上面的功能就很容易實現。如何求一個漢字的筆畫數？最容易想到的就是查表法。建一個漢字筆畫數表，如：

漢字	Unicode編碼	筆畫數
一	U4E00	1
二	U4E8C	2
龍	U9F8D	16
...	...	...

表二

如果是連續的、按unicode編碼排好順序的表，實際存儲在筆畫數表中的只需最后一列就夠了。

那如何建這個表呢？這個表存儲在哪里？

建漢字筆畫數表

現在大多數系統還只能支持Unicode中的基本漢字那部分漢字，編碼從U9FA6-U9FBF。所以我們只建這部分漢字的筆畫表。漢字筆畫數表，我們可以按照下面的方法生成：

用java程序生成一個文本文件(Chinese.csv)。包括所有的從U9FA6-U9FBF的字符的編碼和文字。利用excel的按筆畫排序功能，對Chinese.csv文件中的內容排序。
編寫Java程序分析Chinese.csv文件，求得筆畫數, 生成ChineseStroke.csv。矯正筆畫數，重新按漢字的Unicode編碼對ChineseStroke.csv文件排序。
只保留ChineseStroke.csv文件的最后一列，生成Stroke.csv。

在這里下載上面3個步驟生成的3個文件。

生成Chinese.csv的Java程序

/**
* @author Jeff
*
* Copyright (c) 復制或轉載本文，請保留該注釋。
*/
package chinese.utility.preface;

import java.io.IOException;
import java.io.PrintWriter;

public class ChineseCoder {

    public static void main(String[] args) throws IOException {
        PrintWriter out = new PrintWriter("Chinese.csv");
        // 基本漢字
        for(char c = 0x4E00; c <= 0x9FA5; c++) {
            out.println((int)c + "," + c);
        }
        out.flush();
        out.close();

}

初始化筆畫數

從Excel排序過后的Chinese.csv文件來看，排好序的文件還是有一定規律的。在文件的第9行-12行可以看出：逐行掃描的時候，當unicode會變小了，筆畫數也就加1。

20059,乛
20101,亅
19969,丁
19970,丂

用下面的Java程序分析吧。

/**
* @author Jeff
*
* Copyright (c) 復制或轉載本文，請保留該注釋。
*/
package chinese.utility.preface;

import java.io.File;
import java.io.IOException;
import java.io.PrintWriter;
import java.util.Scanner;

public class Stroke {

    /**
     * @param args
     * @throws IOException
     */
    public static void main(String[] args) throws IOException {
        Scanner in = new Scanner(new File("Chinese.csv"));
        PrintWriter out = new PrintWriter("ChineseStroke.csv");
        String oldLine = "999999";
        int stroke = 0;
        while (in.hasNextLine()) {
            String line = in.nextLine();
            if (line.compareTo(oldLine) < 0) {
                stroke++;
            }
            oldLine = line;
            out.println(line + "," + stroke);
        }
        out.flush();
        out.close();
        in.close();
    }

}

上面用的這個規律有問題嗎？有問題，從ChineseStroke.csv文件抽取最后幾個漢字就發現，筆畫數不對。為什么呢？

筆畫數可能不是連續的。
n+1筆畫數的最小Unicode碼可能比n筆畫數的最大Unicode碼要大

我們要人工核對ChineseStroke文件，但只要核對在筆畫變化的那幾個漢字的筆畫數。最后，我發現，只有筆畫數多于30的少數幾個漢字的筆畫數不對。核對并矯正筆畫數后，用Excel按Unicode重新排序，去掉漢字和Unicode兩列，只保留筆畫數那列，得到Stroke.csv文件。

求得筆畫數的方法和筆畫比較器方法

求得筆畫數的方法測試代碼：

/**
* @author Jeff
*
* Copyright (c) 復制或轉載本文，請保留該注釋。
*/
package chinese.utility.test;

import static org.junit.Assert.assertEquals;

import org.junit.Before;
import org.junit.Test;
import chinese.utility.Chinese;

public class StrokeTest {

Chinese chinese;

    @Before
    public void setUp() {
        chinese = new Chinese();
    }

    @Test
    public void testStroke() {
        assertEquals(1, chinese.stroke('一'));
    }

    @Test
    public void testStroke2() {
        assertEquals(2, chinese.stroke('二'));
    }

    @Test
    public void testStroke16() {
        assertEquals(16, chinese.stroke('龍'));
    }

    @Test
    public void testStrokeABC() {
        assertEquals(-1, chinese.stroke('a'));
    }

}

求得筆畫數的方法代碼

/**
* @author Jeff
*
* Copyright (c) 復制或轉載本文，請保留該注釋。
*/
package chinese.utility;

import java.util.Comparator;

public class StrokeComparator implements Comparator<String> {

public int compare(String o1, String o2) {

Chinese chinese = new Chinese();

        for (int i = 0; i < o1.length() && i < o2.length(); i++) {
            int codePoint1 = o1.codePointAt(i);
            int codePoint2 = o2.codePointAt(i);
            if (codePoint1 == codePoint2)
                continue;

int stroke1 = chinese.stroke(codePoint1);
int stroke2 = chinese.stroke(codePoint2);

            if (stroke1 < 0 || stroke2 < 0) {
                return codePoint1 - codePoint2;
            }

            if (stroke1 != stroke2) {
                return stroke1 - stroke2;
            }
        }

return o1.length() - o2.length();
}
}

筆畫比較器測試

/**
* @author Jeff
*
* Copyright (c) 復制或轉載本文，請保留該注釋。
*/
package chinese.utility.test;

import java.util.Comparator;

import org.junit.Assert;
import org.junit.Before;
import org.junit.Test;

import chinese.utility.StrokeComparator;

public class StrokeComparatorTest {

    private Comparator<String> comparator;
    @Before
    public void setUp() {
        comparator = new StrokeComparator();
    }

    /**
     * 相同筆畫數
     */
    @Test
    public void testCompareEquals() {
        Assert.assertTrue(comparator.compare("一", "丨") == 0);
    }
    /**
     * 不同筆畫數
     */
    @Test
    public void testCompare() {
        Assert.assertTrue(comparator.compare("一", "二") < 0);
        Assert.assertTrue(comparator.compare("唔", "馬") > 0);
    }
    /**
     * 長度不同
     */
    @Test
    public void testCompareDefficultLength() {
        Assert.assertTrue(comparator.compare("二", "二一") < 0);
    }
    /**
     * 非漢字的比較
     */
    @Test
    public void testABC() {
        Assert.assertTrue(comparator.compare("一", "a") > 0);
        Assert.assertTrue(comparator.compare("a", "b") < 0);
    }
}

筆畫比較器

/**
* @author Jeff
*
* Copyright (c) 復制或轉載本文，請保留該注釋。
*/
package chinese.utility.test;

import java.util.Comparator;

import org.junit.Assert;
import org.junit.Before;
import org.junit.Test;

import chinese.utility.StrokeComparator;

public class StrokeComparatorTest {

    private Comparator<String> comparator;
    @Before
    public void setUp() {
        comparator = new StrokeComparator();
    }

其他程序的漢字排序

Microsoft在這方面做得比較好。如Sql server 2000，Word和Excel都能按拼音和筆畫排序。而Oracle只能是采取寬松拼音排序法。

posted on 2007-12-21 11:29 Jeff Lau 閱讀(11903) 評論(10) 編輯收藏所屬分類: 跟老劉學Java

排序概述

Unicode 編碼中的漢字

GB2312編碼

GBK編碼

拼音排序

寬松的拼音排序法

嚴格的拼音排序法

筆畫排序

建漢字筆畫數表

生成Chinese.csv的Java程序

初始化筆畫數

求得筆畫數的方法和筆畫比較器方法

求得筆畫數的方法測試代碼：

求得筆畫數的方法代碼

筆畫比較器測試

筆畫比較器

其他程序的漢字排序

常用鏈接

留言簿(1)

隨筆分類

隨筆檔案

文章檔案

搜索

最新評論

閱讀排行榜

評論排行榜


只有注冊用戶登錄后才能發表評論。




網站導航: 博客園 IT新聞 Chat2DB C++博客博問管理
相關文章: Java多線程編程(二) Java多線程編程(一) 中文數字中文排序中文排序－筆畫中文排序－漢語拼音跟老劉學Java (一)