python汉字排序_Python中文排序（转载）
Python比較字符串大小時，根據的是ord函數得到的編碼值。基于它的排序函數sort可以很容易為數字和英文字母排序，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
出現這樣的結果是因為‘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來排列的，所以排序結果和GB編碼又不一樣。
1
2
3
4
5
# encoding=utf8
char=['趙','錢','孫','李','佘']
char.sort()
for item in char:
print item.decode('utf-8').encode('gb2312')
的輸出是："佘孫李趙錢"；而保存成gb2312編碼后
1
2
3
4
5
# 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則：先按拼音排列，區分四聲，拼音相同的就看筆畫數目多少，筆畫數也相同的再按筆順中的具體筆劃類型來區分，新華字典采用的順序是一丨丿丶乙，也稱作“天上人間”，應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的漢字拼音對照表，還需要有具體筆順的數據。
本以為有現成的模塊，試了幾個都不理想。pyzh的轉換代碼只支持不到7千字，而且還沒有音調。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～
我找到最全的數據是slowwind9999上傳到csdn的unicode漢字編碼表，包括全部20902個漢字的全拼、五筆、鄭碼、UNICODE、GBK、筆畫數 部首，以及筆順編號（拼音部分沒有音調，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據，又用江志鍵的“實用漢字轉拼音”程序制作了unicode漢字音調版，其中中文漢字用四聲標注，319個日韓漢字沒有音調以示區別，并根據漢典的數據略作修正（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。
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_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一處理，應該可以更快。
1
2
3
4
5
6
7
8
9
10
11
# 辭典查找函數
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。數字在字母之前，愛（ai4）便會比昂（ang2）靠前，而筆順值的位數代表了筆畫數，數值對應筆劃權重，直接比較數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
47
48
#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
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
現在我們就可以按照字典的規范給中文排序了。
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”，樣例文件點此下載。
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據，反正對于多音字不太多的情形，手動調整也就夠了。
總結
以上是生活随笔為你收集整理的python汉字排序_Python中文排序（转载）的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 基于C#和SQL SERVER的汉字词典
- 下一篇： python判断字符串包含中文_查询字符