python汉字排序_【IT专家】Python中文排序(转载)

本文由我司收集整编，推荐下载，如有疑问，请与我司联系

Python

中文排序(转载)

2012/02/02

3793

Python

比较字符串大小时，根据的是

ord

函数得到的编码

值。基于它的排序函数

sort

可以很容易为数字和英文字母排序，因为它们在编码表

中就是顺序排列的。

但要很处理中文就没那么容易了。中文通常有拼音和笔画两种排序方式，在最常

用中文标准字符集

GB2312

中，

3755

个一级中文汉字是按照拼音序进行编码的，而

3008

个二级汉字则是按部首笔画排列，

出现这样的结果是因为‘曙’和‘曾’都是常用字，而‘鲑’和‘怡’都是次

常用字，但无论从笔画还是拼音来看，这两对顺序都应该反过来。后来扩充的

GBK

和

GB18030

编码为了向下兼容，都没有更改之前的汉字顺序，于是

sort

之后的次序

就很乱了。另一方面

unicode

编码的中文是按《康熙字典》的偏旁部首和笔画数来

排列的，因此排序结果和

GB

编码又不一样。

12345 # encoding=utf8char=[‘

赵

’,’

钱

’,’

孙

’,’

李

’,’

佘

’]char.sort()for item in char: print

item.decode(‘utf-8’).encode(‘gb2312’)

12345

#

encoding=gb2312char=[‘

赵

’,’

钱

’,’

孙

’,’

李

’,’

佘

’]char.sort()for

item

in

char:

print

item

输出是：

“

李钱孙赵佘

”

。显然，这两个

结果都不是我们想要的。那我们究竟怎样才能对中文正确排序呢？

先要弄清楚中文词典的排序规则：先按拼音排列，区分四声，拼音相同的就看笔

画数目多少，笔画数也相同的再按笔顺中的具体笔划类型来区分，新华字典采用的

顺序是一丨丿丶乙，也称作

“

天上人间

”

，应该没有笔划类型也完全一样的。因此中

文排序不仅需要带音调的汉字拼音对照表，还需要有具体笔顺的数据。

本以为有现成的模块，试了几个都不理想。

pyzh

的转换代码只支持不到

7

千

字，而且还没有音调。水木的

roy

的代码涵盖了

2

万多字符，但需要

pysqlite

支

持

......

还是自立更生吧～

我找到最全的数据是

slowwind9999

上传到

csdn

的

unicode

汉字编码表，包括全

部

20902

个汉字的全拼、五笔、郑码、

UNICODE

、

GBK

、笔画数

部首，以及笔顺

编号(拼音部分没有音调，而且个别注音有误，如

囍，猤，啹等字，使用需注