from: http://gerry.lamost.org/blog/?p=338
Python比较字符串大小时，根据的是ord函数得到的编码值 。基于它的排序函数sort可以很容易为数字和英文字母排序，因为它们在编码表中就是顺序排列的。
print ‘,’< '1'<'A'<'a'<'阿'
True
但要很处理中文就没那么容易了。中文通常有拼音和笔画两种排序方式，在最常用中文标准字符集GB2312中，3755个一级中文汉字是按照拼音序进行编码的，而3008个二级汉字则是按部首笔画排列，
print ‘曙’< '鲑','曾'<'怡'
True True
出现这样的结果是因为‘曙’和‘曾’都是常用字，而‘鲑’和‘怡’都是次常用字，但无论从笔画还是拼音来看，这两对顺序都应该反过来。后来扩充的GBK和GB18030编码为了向下兼容，都没有更改之前的汉字顺序，于是sort之后的次序就很乱了。
另一方面unicode编码的中文是按《康熙字典》的偏旁部首和笔画数来排列的 ，所以排序结果和GB编码又不一样。
-
encoding=utf8
- char=[‘赵’,’钱’,’孙’,’李’,’佘’]
- char.sort()
- for item in char:
- print item.decode(‘utf-8’).encode(‘gb2312’)
的输出是：”佘孙李赵钱”；而保存成gb2312编码后
-
encoding=gb2312
- char=[‘赵’,’钱’,’孙’,’李’,’佘’]
- char.sort()
- for item in char:
- print item
输出是：“李钱孙赵佘”。显然，这两个结果都不是我们想要的。那我们究竟怎样才能对中文正确排序呢？
先要弄清楚中文词典的排序规则：先按拼音排列，区分四声，拼音相同的就看笔画数目多少，笔画数也相同的再按笔顺中的具体笔划类型来区分，新华字典采用的顺序是一丨丿丶乙，也称作“天上人间” ，应该没有笔划类型也完全一样的。所以中文排序不仅需要带音调的汉字拼音对照表，还需要有具体笔顺的数据。
本以为有现成的模块，试了几个都不理想。pyzh 的转换代码只支持不到7千字，而且还没有音调。水木的roy的代码 涵盖了2万多字符，但需要pysqlite支持……还是自立更生吧～
我找到最全的数据是slowwind9999上传到csdn的unicode汉字编码表 ，包括全部20902个汉字的全拼、五笔、郑码、UNICODE、GBK、笔画数 部首，以及笔顺编号（拼音部分没有音调，而且个别注音有误，如 囍，猤，啹等字，使用需注意。）我提取了其中的笔顺数据，又用江志键的“实用汉字转拼音 ”程序制作了unicode汉字音调版，其中中文汉字用四声标注，319个日韩汉字没有音调以示区别，并根据汉典的数据略作修正（但仍可能存在错误）。有了这两个对照表，下面的工作就简单了。
-
建立拼音辞典
- dic_py = dict()
- f_py = open(‘py.txt’,”r”)
- content_py = f_py.read()
- lines_py = content_py.split(‘n’)
- n=len(lines_py)
- for i in range(0,n-1):
- word_py, mean_py = lines_py[i].split(‘t’, 1)
- dic_py[word_py]=mean_py
- f_py.close()
笔顺字典的处理方法也完全相同，虽然文本有两万行，导入还是很快的，0.5秒左右。如果把这两个文件合并起来统一处理，应该可以更快。
-
辞典查找函数
- def searchdict(dic,uchar):
- if isinstance(uchar, str):
- uchar = unicode(uchar,’utf-8’)
- if uchar >= u’u4e00’ and uchar< =u’u9fa5’:
- value=dic.get(uchar.encode(‘utf-8’))
- if value == None:
- value = ‘*’
- else:
- value = uchar
- return value
查找中文，一律转为UTF8字符串，汉字外的其他字符不做处理，原样输出。如果需要声母，只输出拼音的第一个字符就是了。只要资料准确，比较起来就 很轻松了。数字在字母之前，爱（ai4）便会比昂（ang2）靠前，而笔顺值的位数代表了笔画数，数值对应笔划权重，直接比较数字大小就可以得到正确的顺 序。代码如下：
- #比较单个字符
- def comp_char_PY(A,B):
- if A==B:
- return -1
- pyA=searchdict(dic_py,A)
- pyB=searchdict(dic_py,B)
- if pyA > pyB:
- return 1
- elif pyA < pyB:
- return 0
- else:
- bhA=eval(searchdict(dic_bh,A))
- bhB=eval(searchdict(dic_bh,B))
- if bhA > bhB:
- return 1
- elif bhA < bhB:
- return 0
- else:
- return “Are you kidding?”
-
- #比较字符串
- def comp_char(A,B):
- charA = A.decode(“utf-8”)
- charB = B.decode(“utf-8”)
- n=min(len(charA),len(charB))
- i=0
- while i < n:
- dd=comp_char_PY(charA[i],charB[i])
- if dd == -1:
- i=i+1
- if i==n:
- dd=len(charA)>len(charB)
- else:
- break
- return dd
-
-
排序函数
-
- def cnsort(nline):
- n = len(nline)
- lines=”n”.join(nline)
- for i in range(1, n): #插入法
- tmp = nline[i]
- j = i
- while j > 0 and comp_char(nline[j-1],tmp):
- nline[j] = nline[j-1]
- j -= 1
- nline[j] = tmp
- return nline
现在我们就可以按照字典的规范给中文排序了。
- char=[‘赵’,’钱’,’孙’,’李’,’佘’]
- char=cnsort(char)
- for item in char:
- print item.decode(‘utf-8’).encode(‘gb2312’)
终于得到了“李钱佘孙赵”，样例文件点此下载 。
这里我没有考虑多音字的情况。如果想让程序自动识别，可以增加多音词组对照表，通过上下文来判断。我不知道哪里有这样的数据，反正对于多音字不太多的情形，手动调整也就够了。
如非注明转载, 均为原创. 本站遵循知识共享CC协议,转载请注明来源
