Java中文汉字排序

概述

　　我们在应用程序中可能会经常遇到对中文排序的问题，例如姓名列表，词汇表等等。对中文排序，我们使用比较多的是根据汉语拼音发音来确定顺序。
　　我们可能会经常使用　java.util.Set接口，
　　java.util.Arrays .sort((T[] a, Comparator <? super T> c))
　　等类或方法对含有中文字符的对象进行排序，但是这些在默认情况下都是调用
　　String.CompareTo(String)方法，这个方法是比较2个字符的 codepoint value，如果第一个字符的值小于第二个，则在排序结果中第一个会在前面，反之亦然。

java.text.Collator接口及其实现类其实 java 中提供了和语言相关的类，即 Collator 接口及其实现类。java.text.RuleBasedCollator是一个具体类，它实现了 Comparator 接口中的 compare(Object, Object) 方法。RuleBasedCollator 根据根据特定语言的默认规则比较字符，也可以按照指定的规则来比较，请参阅 java API 获取此类的详细信息。

import java.util.*;
import java.text.*;

public class Test {
public static void main(String[] args) {
String[] test = new String[] {"作业","测试","test","我们","。空","镂空","[","浏","皙"};
java.util.Arrays.sort(test, (RuleBasedCollator )Collator .getInstance(Locale .CHINA));

System.out.println("============");
for (String key : test)
System.out.println(key);
}
}

以上代码的输出结果为：
============
[
test
。空
测试
我们
作业
浏
镂空
皙


大家可能会发现只有一部分汉字是按照汉语拼音排序了，还有几个没有。

　　问题分析：

　　GB2312:

　　在简体中文中我们使用比较多的字符集是 GB2312-80，简称为 GB2312，这个字符集包含了目前最常用的汉字共计 6736 个。其中的汉字分为两大类：

　　常用汉字

　　次常用汉字

　　常用汉字按照汉语拼音来排序，而次常用汉字按照笔画部首进行排序。

　　简体汉字在 Unicode 中一般是按照 gb2312 的码点值的顺序来放置的，所以如果是常用汉字 java 就能够很准确的进行排序，但如果是次常用汉字，则就会出现问题。在以上示例中，"镂"，"皙" 属于次常用字。

　　解决方案：

　　RuleBasedCollator 类 getRules() 方法可以返回对应语言的规则设置。简体中文对应的规则是 gb2312 所对应的字符。

　　我们可以把其中的全部汉字提取出来

　　对这些汉字重新排序

　　利用RuleBasedCollator(String rules) 构造器新建一个定制的 RuleBasedCollator

　　参考代码

　　在以下的代码中，我把排过序的汉字直接作为 String 对象放在类里面了，如果要让代码变得简洁一些，则可以把完整的规则（特殊字符＋排序汉字）存为文件。

package test.chinesesort;

import java.util.*;
import java.text.*;

public class ChineseGB2312Collator {

/**
* @return a customized RuleBasedCollator with Chinese characters (GB2312)
*         sorted correctly
*/
public static final RuleBasedCollator getFixedGB2312Collator() {
RuleBasedCollator fixedGB2312Collator = null;
try {
fixedGB2312Collator = new java.text.RuleBasedCollator(
ChineseGB2312Collator.getGB2312SpecialChars() + GB2312Chars);
} catch (ParseException e) {
e.printStackTrace();
}

return fixedGB2312Collator;
}

/**
* @return the special characters in GB2312 charset.
*/
public static final String getGB2312SpecialChars() {
RuleBasedCollator zh_CNCollator = (RuleBasedCollator) Collator.getInstance(Locale.CHINA);
// index 2125 is the last symbol "╋"
return zh_CNCollator.getRules().substring(0, 2125);
}

/**
* 6763 Chinese characters in GB2312 charset
*/
public static final String GB2312Chars =
"<吖<阿<啊<锕<嗄<哎<哀<唉<埃<挨<锿<捱<皑<癌<嗳<矮<蔼<霭<艾<爱<砹<隘<嗌<嫒<碍<暧<瑷<安<桉<氨<庵<谙<鹌<鞍<俺<埯<铵<揞<犴<岸<按<案<胺<暗<黯<肮<昂<盎<凹<坳<敖<嗷<廒<獒<遨<熬<翱<聱<螯<鳌<鏖<拗<袄<媪<岙<傲<奥<骜<澳<懊<鏊" +
"<八<巴<叭<扒<吧<岜<芭<疤<捌<笆<粑<拔<茇<菝<跋<魃<把<钯<靶<坝<爸<罢<鲅<霸<灞<掰<白<百<佰<柏<捭<摆<呗<败<拜<稗<扳<班<般<颁<斑<搬<瘢<癍<阪<坂<板<版<钣<舨<办<半<伴<扮<拌<绊<瓣<邦<帮<梆<浜<绑<榜<膀<蚌<傍<棒<谤<蒡" +
"<磅<镑<勹<包<孢<苞<胞<煲<龅<褒<雹<宝<饱<保<鸨<堡<葆<褓<报<抱<豹<趵<鲍<暴<爆<陂<卑<杯<悲<碑<鹎<北<贝<狈<邶<备<背<钡<倍<悖<被<惫<焙<辈<碚<蓓<褙<鞴<鐾<奔<贲<锛<本<苯<畚<坌<笨<崩<绷<嘣<甭<泵<迸<甏<蹦<逼<荸<鼻<匕<比" +
"<吡<妣<彼<秕<俾<笔<舭<鄙<币<必<毕<闭<庇<畀<哔<毖<荜<陛<毙<狴<铋<婢<庳<敝<萆<弼<愎<筚<滗<痹<蓖<裨<跸<辟<弊<碧<箅<蔽<壁<嬖<篦<薜<避<濞<臂<髀<璧<襞<边<砭<笾<编<煸<蝙<鳊<鞭<贬<扁<窆<匾<碥<褊<卞<弁<忭<汴<苄<拚<便<变<" +
"缏<遍<辨<辩<辫<灬<杓<彪<标<飑<髟<骠<膘<瘭<镖<飙<飚<镳<表<婊<裱<鳔<憋<鳖<别<蹩<瘪<宾<彬<傧<斌<滨<缤<槟<镔<濒<豳<摈<殡<膑<髌<鬓<冫<冰<兵<丙<邴<秉<柄<炳<饼<禀<并<病<摒<拨<波<玻<剥<钵<饽<啵<脖<菠<播<伯<孛<驳<帛<泊<勃<亳" +
"<钹<铂<舶<博<渤<鹁<搏<箔<膊<踣<薄<礴<跛<簸<擘<檗<逋<钸<晡<醭<卜<卟<补<哺<捕<不<布<步<怖<钚<部<埠<瓿<簿";

}



package test.chinesesort;

import java.util.*;

import java.text.*;

public class ChineseGB2312Comparator implements Comparator<String>,
Comparable<String> {

private RuleBasedCollator GB2312Collator = ChineseGB2312Collator.getFixedGB2312Collator();
private String str1;

public ChineseGB2312Comparator(String str1) {
this.str1 = str1;
}

public ChineseGB2312Comparator() {
this.str1 = "";
}

/**
* @param str1
* @param str2
*
* @return an integer indicatint the comparison result
*
* @see java.util.Comparator#compare(Object, Object)
*/
public int compare(String str1, String str2) {
return GB2312Collator.compare(str1, str2);
}

/**
* @param str2
*
* @return an integer indicatint the comparison result
*
* @see java.lang.Comparable#compareTo(Object)
*/
public int compareTo(String str2) {
return GB2312Collator.compare(str1, str2);
}

}


package test.chinesesort;

import java.util.*;

import java.text.*;

public class Test {
public static void main(String[] args) {

String[] test = new String[] {"作业","测试","test","我们","。空","镂空","[","浏","皙"};

java.util.Arrays.sort(test, new ChineseGB2312Comparator());
// java.util.Arrays.sort(test, (RuleBasedCollator )Collator .getInstance(Locale .CHINA));

System.out.println("============");
for (String key : test)
System.out.println(key);
}
}


以上代码的输出结果为：
============
[
test
。空
作业
我们
测试
浏
皙
镂空