本文實例講述了Python實現(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，根據(jù)的是ord函數(shù)得到的編碼值?；谒呐判蚝瘮?shù)sort可以很容易為數(shù)字和英文字母排序，因為它們在編碼表中就是順序排列的。

>> 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，在最常用中文標準字符集GB2312中，3755個一級中文漢字是按照拼音序進行編碼的，而3008個二級漢字則是按部首筆畫排列，

>> print '曙'< '鮭','曾'<'怡'
True True

出現(xiàn)這樣的結(jié)果是因為‘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。

# encoding=utf8
char=['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

# encoding=gb2312
char=['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（點擊此處本站下載。），包括全部20902個漢字的全拼、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注，319個日韓漢字沒有音調(diào)以示區(qū)別，并根據(jù)漢典的數(shù)據(jù)略作修正（但仍可能存在錯誤）。有了這兩個對照表，下面的工作就簡單了。

# 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_py
f_py.close()

筆順字典的處理方法也完全相同，雖然文本有兩萬行，導入還是很快的，0.5秒左右。如果把這兩個文件合并起來統(tǒng)一處理，應(yīng)該可以更快。

# 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字符就是了。只要資料準確，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：

#比較單個字符
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。

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。

PS：這里再為大家推薦2款比較實用的相關(guān)在線排序工具供大家參考使用：

在線中英文根據(jù)首字母排序工具：
http://tools.jb51.net/aideddesign/zh_paixu

在線文本倒序翻轉(zhuǎn)排序工具：
http://tools.jb51.net/aideddesign/flipped_txt

更多關(guān)于Python相關(guān)內(nèi)容可查看本站專題：《Python正則表達式用法總結(jié)》、《Python數(shù)據(jù)結(jié)構(gòu)與算法教程》、《Python Socket編程技巧總結(jié)》、《Python函數(shù)使用技巧總結(jié)》、《Python字符串操作技巧匯總》、《Python入門與進階經(jīng)典教程》及《Python文件與目錄操作技巧匯總》

希望本文所述對大家Python程序設(shè)計有所幫助。

最新評論