今天同事告诉我一个项目需要将汉字按拼音排序,之前没做过啊,就google之,down了一份汉字与拼音的对照表,对照表格式如下:
拼 pin1音 yin1
将文件保存为pinyindata,于是有了如下对应的python代码:
#!/usr/bin/env python# -*- coding:utf-8 -*-## Author : cold night# E-mail : wh_linux@126.com# Date : 12-10-24 下午3:13#from os import pathimport localeclass SortedByPy: __PYDICT__ = dict() PYDATA_PATH = path.join(path.dirname(__file__), 'pinyindata') def __init__(self): if not self.__PYDICT__: py_file = open(self.PYDATA_PATH, 'r') for line in py_file.readlines(): word, pinyin = line.split('\t') self.__PYDICT__.update({word:pinyin.strip()}) py_file.close() def get_py(self, word): """ 获取汉字拼音 """ result = [] i = word.decode('utf-8')[0].encode('utf-8') result.append(self.__PYDICT__.get(i, i)) result = ''.join(result) return result def cmp_by_py(self, A, B): """ 使用拼音比较两个汉字的先后(使用倒序) """ r1 = self.get_py(A) r2 = self.get_py(B) return cmp(r1, r2) def sort(self, iterable, key=None, reverse=False): """ - `iterable` : - `key` : 有则对列表中的字典对应key的值进行排序 """ result = [] for i,v in enumerate(iterable): f = v[key][0] if key else v[0] if f <= 'z':result.append(iterable.pop(i)) if key: result.sort(cmp = lambda x, y: self.cmp_by_py(x[key], y[key]), reverse= reverse) else: result.sort(reverse=reverse) if key: r = sorted(iterable, cmp=lambda x, y: self.cmp_by_py(x[key], y[key]), reverse=reverse) else: r = sorted(iterable, cmp=lambda x, y: self.cmp_by_py(x, y)l, reverse=reverse) result.extend(r) return result
嗯,写好后测试正常,提交后告诉同事,同事一测发现重庆怎么跑到最后啊,不对啊,有bug啊,我重新将重庆加入到我的测试,真是不行阿,好吧可能是对照表的问题,打开找了下,能找到重啊,难道是decode出问题了,于是打开咱的ipython shell,结果输入重庆,一回车终端崩了,好吧,我再试还是崩,于是我想可能是utf-8的bug或者python的uft-8的bug,于是我将我的想法告知了同事,同事也打开了ipython试了下,结果他的可以正常输入,正常decode/encode,这下我想可能是方法的问题吧.
于是看看有无别的办法,看到一个对Linux有效可能对window有效的办法,好嘛正好咱也Linux果断拿过来试试,于是下面的代码诞生了:
#!/usr/bin/env python# -*- coding:utf-8 -*-## Author : cold night# E-mail : wh_linux@126.com# Date : 12-10-24 下午3:13##from os import pathimport localeclass SortedByPy: __PYDICT__ = dict() #PYDATA_PATH = path.join(path.dirname(__file__), 'pinyindata') def __init__(self): """ if not self.__PYDICT__: py_file = open(self.PYDATA_PATH, 'r') for line in py_file.readlines(): word, pinyin = line.split('\t') self.__PYDICT__.update({word:pinyin.strip()}) py_file.close() """ pass def get_py(self, word): """ 获取汉字拼音 """ result = [] i = word.decode('utf-8')[0].encode('utf-8') result.append(self.__PYDICT__.get(i, i)) result = ''.join(result) return result def cmp_by_py(self, A, B): """ 使用拼音比较两个汉字的先后(使用倒序) """ r1 = self.get_py(A) r2 = self.get_py(B) return cmp(r1, r2) def sort(self, iterable, key=None, reverse=False): """ - `iterable` : - `key` : 有则对列表中的字典对应key的值进行排序 """ result = [] """ for i,v in enumerate(iterable): f = v[key][0] if key else v[0] if f <= 'z':result.append(iterable.pop(i)) if key: result.sort(cmp = lambda x, y: self.cmp_by_py(x[key], y[key]), reverse= reverse) else: result.sort(reverse=reverse) """ locale.setlocale(locale.LC_ALL, 'zh_CN.UTF-8') if key: r = sorted(iterable, cmp=locale.strcoll, key = lambda x: x[key], reverse=reverse) else: r = sorted(iterable, cmp=locale.strcoll, reverse=reverse) result.extend(r) return result
写好了跑起来测试嘛,重庆还是躺在了最后,我想这应该就是utf-8的bug了吧,系统都这样了,于是和同事交流后认为也许是bug吧,回到座位后我苦思冥想阿,绞尽脑汁啊,看看有没有别的办法阿,突然一道闪电阿,我明白了,重多音字啊也读zhong啊,排在最后是对的啊,没有错误,也没有bug,一个多音字引发的悲剧哇.
原文地址：Python将汉字按拼音排序–一个多音字引发的悲剧, 感谢原作者分享。 只要功夫深，铁棒磨成绣花针。
