python汉字排序_Python 中文排序

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，使用需注意。）我提取了其中的笔顺数据，又用江志键的“实用汉字转拼音”程序制作了unicode汉字音调版，其中中文汉字用四声标注，319个日韩汉字没有音调以示区别，并根据汉典的数据略作修正（但仍可能存在错误）。有了这两个对照表，下面的工作就简单了。

# 建立拼音辞典

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()

笔顺字典的处理方法也完全相同，虽然文本有两万行，导入还是很快的，0.5秒左右。如果把这两个文件合并起来统一处理，应该可以更快。

# 辞典查找函数

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，一律转为UTF8字符串，汉字外的其他字符不做处理，原样输出。如果需要声母，只输出拼音的第一个字符就是了。只要资料准确，比较起来就很轻松了。数字在字母之前，爱（ai4）便会比昂（ang2）靠前，而笔顺值的位数代表了笔画数，数值对应笔划权重，直接比较数字大小就可以得到正确的顺序。代码如下：

#比较单个字符

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?'

#比较字符串

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

# 排序函数

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

现在我们就可以按照字典的规范给中文排序了。

char=['赵','钱','孙','李','佘']

char=cnsort(char)

for item in char:

print item.decode('utf-8').encode('gb2312')

终于得到了“李钱佘孙赵”，样例文件点此下载cnsort.zip。

这里我没有考虑多音字的情况。如果想让程序自动识别，可以增加多音词组对照表，通过上下文来判断。我不知道哪里有这样的数据，反正对于多音字不太多的情形，手动调整也就够了。