也谈Java汉字按照拼音排序

最近项目上使用到汉字排序的问题，网上搜索了一下后普遍使用下面的方法比较。

	@Test
	public void test_sort_pinyin() {
		Collator cmp = Collator.getInstance(java.util.Locale.CHINA);
		String[] arr = { "张三", "李四", "王五", "赵六", "JAVA", "123", "$%$#", "哈哈A",
				"1哈哈A", "1哈哈b", "1哈哈a", "哈哈", "哈", "怡情" };
		List<String> list = Arrays.asList(arr);
		Arrays.sort(arr, cmp);
		System.out.println(list);
	}

输出结果如下：


[$%$#, 123, 1哈哈a, 1哈哈A, 1哈哈b, JAVA, 哈, 哈哈, 哈哈A, 李四, 王五, 张三, 赵六, 怡情]



发现了有个BUG，因为网上也看到一些朋友提出问题，所以测试时故意加上怡字。发现“怡”字果然最后了。所以只能再寻找解决办法。后来想起了之前把中文自动转拼音时使用到的类。


pinyin4j 开源项目 具体可以查看 http://pinyin4j.sourceforge.net/


真的不得不感谢这位人士。


封装成比较器后代码如下：

import java.util.Comparator;
import net.sourceforge.pinyin4j.PinyinHelper;
/**
 * 汉字按照拼音排序的比较器
 * @author KennyLee 2009-2-23 10:08:59
 * 
 */
public class PinyinComparator implements Comparator<Object> {
	public int compare(Object o1, Object o2) {
		char c1 = ((String) o1).charAt(0);
		char c2 = ((String) o2).charAt(0);
		return concatPinyinStringArray(
				PinyinHelper.toHanyuPinyinStringArray(c1)).compareTo(
				concatPinyinStringArray(PinyinHelper
						.toHanyuPinyinStringArray(c2)));
	}
	private String concatPinyinStringArray(String[] pinyinArray) {
		StringBuffer pinyinSbf = new StringBuffer();
		if ((pinyinArray != null) && (pinyinArray.length > 0)) {
			for (int i = 0; i < pinyinArray.length; i++) {
				pinyinSbf.append(pinyinArray[i]);
			}
		}
		return pinyinSbf.toString();
	}
}

继续执行测试

	@Test
	public void test_sort_pinyin2() {
		String[] arr = { "张三", "李四", "王五", "赵六", "JAVA", "123", "$%$#", "哈哈A",
				"1哈哈A", "1哈哈b", "1哈哈a", "哈哈", "哈", "怡情" };
		List<String> list = Arrays.asList(arr);
		Arrays.sort(arr, new PinyinComparator());
		System.out.println(list);
	}

最终打印效果如下：


[JAVA, 123, $%$#, 1哈哈A, 1哈哈b, 1哈哈a, 哈哈A, 哈哈, 哈, 李四, 王五, 怡情, 张三, 赵六]

不过也由此看出，对于符号等其他排序也有一些争议的地方，但是关系不大。或者也可以再判断一下首字是否为中文，若不是再按照其他相应的比较方式。比较器的好处就是可以自定义了。


例子中只是用了数组进行排序，但可能较多的情况下遇到的是对List的排序，即List<Object>。同样的可以举一反三的修改比较器中的compare方法，只要提取用来排序的的汉字关键字段出来即可。


然后比较的时候调用


Collections.sort(list,new PinyinComparator());


而且注意例子中只是截取了首汉字进行排序，若需要可以进一步的排序或者要求精确度的话也许需要再深化了。


但主要还是中文的排序确实正确了。


基本原理：


其实弄来弄去，原理还是把汉字转成拼音，然后再进行排序罢了。所以如果在项目中有遇到过需要把汉字转换成拼音的需求的话。碰到汉字排序的话问题自然也会迎刃而解。


也不得不感叹一句，在中国做研发比外国要辛苦啊。起码字符集就多了那么多，而且也没得到很多基本的支持，然后引发的一连串问题。例如乱码，汉字排序，转拼音等什么的...


不过解决一个记下一个吧，以后就能直接使用了，算多学一点。