[转]Python中文排序

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。

1. # encoding=utf8
2. char=['赵','钱','孙','李','佘']
3. char.sort()
4. for item in char:
5.     print item.decode('utf-8').encode('gb2312')

的输出是：”佘孙李赵钱”；而保存成gb2312编码后

1. # encoding=gb2312
2. char=['赵','钱','孙','李','佘']
3. char.sort()
4. for item in char:
5.     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。

1. # 建立拼音辞典
2. dic_py = dict()
3. f_py = open('py.txt',"r")
4. content_py = f_py.read()
5. lines_py = content_py.split('/n')
6. n=len(lines_py)
7. for i in range(0,n-1):
8.     word_py, mean_py = lines_py[i].split('/t', 1)
9.     dic_py[word_py]=mean_py
10. 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。

1. # 辞典查找函数
2. def searchdict(dic,uchar):
3.     if isinstance(uchar, str):
4.         uchar = unicode(uchar,'utf-8')
5.     if uchar >= u'/u4e00' and uchar< =u'/u9fa5':
6.         value=dic.get(uchar.encode('utf-8'))
7.         if value == None:
8.             value = '*'
9.     else:
10.         value = uchar
11.     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：

1. #比较单个字符
2. def comp_char_PY(A,B):
3.     if A==B:
4.         return -1
5.     pyA=searchdict(dic_py,A)
6.     pyB=searchdict(dic_py,B)
7.     if pyA > pyB:
8.         return 1
9.     elif pyA < pyB:
10.         return 0
11.     else:
12.         bhA=eval(searchdict(dic_bh,A))
13.         bhB=eval(searchdict(dic_bh,B))
14.         if bhA > bhB:
15.             return 1
16.         elif bhA < bhB:
17.             return 0
18.         else:
19.             return "Are you kidding?"
20.  
21. #比较字符串
22. def comp_char(A,B):
23.     charA = A.decode("utf-8")
24.     charB = B.decode("utf-8")
25.     n=min(len(charA),len(charB))
26.     i=0
27.     while i < n:
28.         dd=comp_char_PY(charA[i],charB[i])
29.         if dd == -1:
30.             i=i+1
31.             if i==n:
32.                 dd=len(charA)>len(charB)
33.         else:
34.             break
35.     return dd
36.  
37. # 排序函数
38. def cnsort(nline):
39.     n = len(nline)
40.     lines="/n".join(nline)
41.     for i in range(1, n):  #插入法
42.         tmp = nline[i]
43.         j = i
44.         while j > 0 and comp_char(nline[j-1],tmp):
45.             nline[j] = nline[j-1]
46.             j -= 1
47.         nline[j] = tmp
48.     return nline

现在我们就可以按照字典的规范给中文排序了。

1. char=['赵','钱','孙','李','佘']
2. char=cnsort(char)
3. for item in char:
4.     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。