本文實(shí)例講述了Python實(shí)現(xiàn)針對中文排序的方法。分享給大家供大家參考，具體如下：
Python比較字符串大小時(shí)，根據(jù)的是ord函數(shù)得到的編碼值。基于它的排序函數(shù)sort可以很容易為數(shù)字和英文字母排序，因?yàn)樗鼈冊诰幋a表中就是順序排列的。
|
1
2
|
>> print ','< '1'<'A'<'a'<'阿'True |
但要很處理中文就沒那么容易了。中文通常有拼音和筆畫兩種排序方式，在最常用中文標(biāo)準(zhǔn)字符集GB2312中，3755個(gè)一級中文漢字是按照拼音序進(jìn)行編碼的，而3008個(gè)二級漢字則是按部首筆畫排列，
|
1
2
|
>> print '曙'< '鮭','曾'<'怡'True True |
出現(xiàn)這樣的結(jié)果是因?yàn)?lsquo;曙'和‘曾'都是常用字，而‘鮭'和‘怡'都是次常用字，但無論從筆畫還是拼音來看，這兩對順序都應(yīng)該反過來。后來擴(kuò)充的GBK和GB18030編碼為了向下兼容，都沒有更改之前的漢字順序，于是sort之后的次序就很亂了。
另一方面unicode編碼的中文是按《康熙字典》的偏旁部首和筆畫數(shù)來排列的，所以排序結(jié)果和GB編碼又不一樣。
|
1
2
3
4
5
|
# encoding=utf8char=['趙','錢','孫','李','佘']char.sort()for item in char: print item.decode('utf-8').encode('gb2312') |
輸出是："佘孫李趙錢"；而保存成gb2312編碼后
|
1
2
3
4
5
|
# encoding=gb2312char=['趙','錢','孫','李','佘']char.sort()for item in char: print item |
輸出是：“李錢孫趙佘”。顯然，這兩個(gè)結(jié)果都不是我們想要的。那我們究竟怎樣才能對中文正確排序呢？
先要弄清楚中文詞典的排序規(guī)則：先按拼音排列，區(qū)分四聲，拼音相同的就看筆畫數(shù)目多少，筆畫數(shù)也相同的再按筆順中的具體筆劃類型來區(qū)分，新華字典采用的順序是一丨丿丶乙，也稱作“天上人間”，應(yīng)該沒有筆劃類型也完全一樣的。所以中文排序不僅需要帶音調(diào)的漢字拼音對照表，還需要有具體筆順的數(shù)據(jù)。
本以為有現(xiàn)成的模塊，試了幾個(gè)都不理想。pyzh的轉(zhuǎn)換代碼只支持不到7千字，而且還沒有音調(diào)。水木的roy的代碼涵蓋了2萬多字符，但需要pysqlite支持......還是自立更生吧～
我找到最全的數(shù)據(jù)是slowwind9999上傳到csdn的unicode漢字編碼表（點(diǎn)擊此處本站下載。），包括全部20902個(gè)漢字的全拼、五筆、鄭碼、UNICODE、GBK、筆畫數(shù) 部首，以及筆順編號（拼音部分沒有音調(diào)，而且個(gè)別注音有誤，如 囍，猤，啹等字，使用需注意。）我提取了其中的筆順數(shù)據(jù)，又用江志鍵的“實(shí)用漢字轉(zhuǎn)拼音”程序制作了unicode漢字音調(diào)版，其中中文漢字用四聲標(biāo)注，319個(gè)日韓漢字沒有音調(diào)以示區(qū)別，并根據(jù)漢典的數(shù)據(jù)略作修正（但仍可能存在錯(cuò)誤）。有了這兩個(gè)對照表，下面的工作就簡單了。
|
1
2
3
4
5
6
7
8
9
10
|
# 建立拼音辭典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_pyf_py.close() |
筆順字典的處理方法也完全相同，雖然文本有兩萬行，導(dǎo)入還是很快的，0.5秒左右。如果把這兩個(gè)文件合并起來統(tǒng)一處理，應(yīng)該可以更快。
|
1
2
3
4
5
6
7
8
9
10
11
|
# 辭典查找函數(shù)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，一律轉(zhuǎn)為UTF8字符串，漢字外的其他字符不做處理，原樣輸出。如果需要聲母，只輸出拼音的第一個(gè)字符就是了。只要資料準(zhǔn)確，比較起來就很輕松了。數(shù)字在字母之前，愛（ai4）便會比昂（ang2）靠前，而筆順值的位數(shù)代表了筆畫數(shù)，數(shù)值對應(yīng)筆劃權(quán)重，直接比較數(shù)字大小就可以得到正確的順序。代碼如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
|
#比較單個(gè)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?'#比較字符串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# 排序函數(shù)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 |
現(xiàn)在我們就可以按照字典的規(guī)范給中文排序了。
|
1
2
3
4
|
char=['趙','錢','孫','李','佘']char=cnsort(char)for item in char: print item.decode('utf-8').encode('gb2312') |
終于得到了“李錢佘孫趙”，示例文件點(diǎn)此下載。
這里我沒有考慮多音字的情況。如果想讓程序自動識別，可以增加多音詞組對照表，通過上下文來判斷。我不知道哪里有這樣的數(shù)據(jù)，反正對于多音字不太多的情形，手動調(diào)整也就夠了。
希望本文所述對大家Python程序設(shè)計(jì)有所幫助。
