摘要：在Java中，對一個(gè)數組或列表(在本文中統稱(chēng)為集合)中的元素排序，是一個(gè)很經(jīng)常的事情。好在Sun公司在Java庫中實(shí)現了大部分功能。如果集合中的元素實(shí)現了Comparable接口，調用Array或Collections的靜態(tài)(static)方法sort，就可以直接對集合排序。程序員用不同的方式實(shí)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(lái)說(shuō)，排序的方式主要有兩種：一種是拼音，一種是筆畫(huà)。本文就講述如何實(shí)現這兩種不同的比較器(Comparator)。
作者：
Jeff發(fā)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(shí)請務(wù)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://www.blogjava.net/jeff-lau/archive/2007/12/21/169257.html排序概述
在Java中，對一個(gè)數組或列表(在本文中統稱(chēng)為集合)中的元素排序，是一個(gè)很經(jīng)常的事情。好在Sun公司在Java庫中實(shí)現了大部分功能。如果集合中的元素實(shí)現了Comparable接口，調用以下的靜態(tài)(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(lèi)型(primitive type),也可以是像String這樣實(shí)現了Comparable接口的類(lèi)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(mǎn)足大部分應用。但集合中的元素沒(méi)有實(shí)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(gè)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(lèi)型(primitive type),也可以是像String這樣實(shí)現了Comparable接口的類(lèi)型，這里用type表示。
public static <T> void sort(T[] a, Comparator<? superT> c)
// 列表
public static <T> void sort(List<T> list,Comparator<? super T> c)
只要實(shí)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(lái)說(shuō)，排序的方式主要有兩種：一種是拼音，一種是筆畫(huà)。漢字是通過(guò)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(gè)是基本的，一個(gè)是輔助的?，F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(gè)字節的內存存儲，用一個(gè)char表示，而輔助區域中的文字用4個(gè)字節存儲，因此輔助區域中的就要用兩個(gè)char來(lái)表示了(表一種藍色底就是輔助區域中的文字)。一個(gè)文字的unicode編碼，在Java中統一用codePoint(代碼點(diǎn))這個(gè)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(yǔ)和韓語(yǔ)可能就是從漢語(yǔ)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(gè)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(gè)漢字，這些漢字是按拼音順序編碼的。這6000多個(gè)漢字都是簡(jiǎn)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(wàn)多個(gè)，其中有簡(jiǎn)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(yǔ)拼音 ChinesePhonetic。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(gè)漢字，是按拼音排序的，編碼是連續的。后來(lái)出現了GBK編碼，對GB2312進(jìn)行了擴展，到了兩萬(wàn)多漢字，并且兼容GB2312，也就是說(shuō)GB2312中的漢字編碼是原封不動(dòng)搬到GBK中的(在GBK編碼中[B0-D7]區中)。
如果我們只關(guān)心這6000多個(gè)漢字的順序，就可以用下面的方法實(shí)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 implementsComparator<String> {
public int compare(String o1, String o2) {
returnCollator.getInstance(Locale.CHINESE).compare(o1, o2);
}
}
在對[孫, 孟, 宋, 尹, 廖, 張, 徐, 昆, 曹, 曾,怡]這幾個(gè)漢字排序，結果是：[曹, 昆, 廖, 孟, 宋, 孫,徐, 尹, 曾, 張, 怡]。最后一個(gè) 怡 有問(wèn)題，不該排在最后的。
注意：這個(gè)程序有兩個(gè)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(diǎn)不足，可以通過(guò)實(shí)現漢語(yǔ)拼音的函數來(lái)解決。goolge下看到sf上有個(gè)pinyin4j的項目，可以解決這個(gè)問(wèn)題，pinyin4j的項目地址是：
http://pinyin4j.sourceforge.net/。
實(shí)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 implementsComparator<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(gè)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(gè)拼音。不是漢字，就returnnull。
*/
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(cháng)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(jīng)","曾迪") > 0);
}
}
我的這樣嚴格的拼音排序還是有有待改進(jìn)的地方，看上面測試代碼的最后一個(gè)測試，就會(huì )發(fā)現：程序不會(huì )根據語(yǔ)境來(lái)判斷多音字的拼音，僅僅是簡(jiǎn)單的取多音字的第一個(gè)拼音。
筆畫(huà)排序
要按筆畫(huà)排序，就要實(shí)現筆畫(huà)比較器。
class StokeComparator implementsComparator<String>
如果有個(gè)方法可以求得漢字的筆畫(huà)數，上面的功能就很容易實(shí)現。如何求一個(gè)漢字的筆畫(huà)數？最容易想到的就是查表法。建一個(gè)漢字筆畫(huà)數表，如：
漢字 Unicode編碼 筆畫(huà)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(shí)際存儲在筆畫(huà)數表中的只需最后一列就夠了。
那如何建這個(gè)表呢？這個(gè)表存儲在哪里？
建漢字筆畫(huà)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(huà)表。漢字筆畫(huà)數表，我們可以按照下面的方法生成：
用java程序生成一個(gè)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(huà)排序功能，對Chinese.csv文件中的內容排序。
編寫(xiě)Java程序分析Chinese.csv文件，求得筆畫(huà)數, 生成ChineseStroke.csv。矯正筆畫(huà)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(gè)步驟生成的3個(gè)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) throwsIOException {
PrintWriter out = newPrintWriter("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(huà)數
從Excel排序過(guò)后的Chinese.csv文件來(lái)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(shí)候，當unicode會(huì )變小了，筆畫(huà)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) throwsIOException {
Scanner in = newScanner(newFile("Chinese.csv"));
PrintWriter out = newPrintWriter("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(gè)規律有問(wèn)題嗎？有問(wèn)題，從ChineseStroke.csv文件抽取最后幾個(gè)漢字就發(fā)現，筆畫(huà)數不對。為什么呢？
筆畫(huà)數可能不是連續的。
n+1筆畫(huà)數的最小Unicode碼可能比n筆畫(huà)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(huà)變化的那幾個(gè)漢字的筆畫(huà)數。最后，我發(fā)現，只有筆畫(huà)數多于30的少數幾個(gè)漢字的筆畫(huà)數不對。核對并矯正筆畫(huà)數后，用Excel按Unicode重新排序，去掉漢字和Unicode兩列，只保留筆畫(huà)數那列，得到Stroke.csv文件。
求得筆畫(huà)數的方法和筆畫(huà)比較器方法
求得筆畫(huà)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 = newChinese();
}
@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(chǎn)‘));
}
}
求得筆畫(huà)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 implementsComparator<String> {
public int compare(String o1, String o2){
Chinese chinese = newChinese();
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(huà)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 = newStrokeComparator();
}
/**
* 相同筆畫(huà)數
*/
@Test
public void testCompareEquals() {
Assert.assertTrue(comparator.compare("一", "丨")== 0);
}
/**
* 不同筆畫(huà)數
*/
@Test
public void testCompare() {
Assert.assertTrue(comparator.compare("一", "二")< 0);
Assert.assertTrue(comparator.compare("唔", "馬")> 0);
}
/**
* 長(cháng)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(huà)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 = newStrokeComparator();
}
/**
* 相同筆畫(huà)數
*/
@Test
public void testCompareEquals() {
Assert.assertTrue(comparator.compare("一", "丨")== 0);
}
/**
* 不同筆畫(huà)數
*/
@Test
public void testCompare() {
Assert.assertTrue(comparator.compare("一", "二")< 0);
Assert.assertTrue(comparator.compare("唔", "馬")> 0);
}
/**
* 長(cháng)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);
}
}
其他程序的漢字排序
Microsoft在這方面做得比較好。如Sql server2000，Word和Excel都能按拼音和筆畫(huà)排序。而Oracle只能是采取寬松拼音排序法。
