logo标签列表

使用排序规则对马其顿字母表进行排序

javacollation
10

我正在尝试对一组使用马其顿字母表书写的字符串进行排序。我知道如何做，但最终结果不是我预期的。以下是我的测试程序：

public class Main {

    private static final char[] ALPHABET_ARRAY = {
        'а', 'б', 'в', 'г', 'д', 'ѓ', 'е', 'ж', 'з', 'ѕ', 'и', 'ј', 'к', 'л', 'љ', 'м', 'н', 'њ', 'о', 'п', 'р', 'с', 'т', 'ќ', 'у', 'ф', 'х', 'ц', 'ч','џ', 'ш' };

    public static void main(String[] args) {
        Collator collator = Collator.getInstance(new Locale("mk", "MK"));
        List<String> list = new LinkedList<>();
        for (int i = 0; i < ALPHABET_ARRAY.length; i++) {
            list.add("" + ALPHABET_ARRAY[i]);
        }
        list.sort(collator::compare);
        list.forEach(System.out::print);
    }
}
ALPHABET_ARRAY中的字母已按正确字母顺序排列，但程序却打印出了：

абвгѓдежзѕијкќлљмнњопрстуфхцчџш

而正确结果应该是：

абвгдѓежзѕијклљмнњопрстќуфхцчџш

这是Java中的马其顿排序器有问题还是我哪里做错了？

看起来Java不区分"г"和"ѓ"，"к"和"ќ"，但这很奇怪。 - Tom
1
字母ѓ和ќ是马其顿字母表与克罗地亚和塞尔维亚等其他西里尔字母表不同的地方。这也解释了为什么它们的Unicode值超出了马其顿字母表中其他字母的代码范围。 - David ten Hove
2
请参阅 https://en.wikipedia.org/wiki/Macedonian_alphabet#Unique_letters。 - David ten Hove
1
根据mk_MK collator.getRules()，它将'ѓ'放在'd'之前，因此问题出现在Java的马其顿语排序器中。RuleBasedCollator 的Javadoc解释了如何创建自己带有自己规则的排序器，如果你真的需要它的话。 - Oleg Estekhin
@OlegEstekhin 谢谢！如果您将其放入答案中，我会确保接受它。 - David ten Hove
1个回答
4

"mk_MK"区域设置的排序器基于sun.text.resources.mk.CollationData_mk资源（jdk8u92-b14标记的jdk8u存储库中的CollationData_mk.java源代码）。

CollationData_mk中的排序规则明确将“ѓ”放在“г”后面，“ќ”放在“к”后面。

由于可以使用自定义规则创建RuleBasedCollator，因此获得所需排序顺序的最简单方法是稍微修改来自CollationData_mk的规则：

public static Collator createMacedonianCollator() throws ParseException {
    // the defaults are defined in non-public sun.util.locale.provider.CollationRules
    // they are used internally in sun.util.locale.provider.CollatorProviderImpl
    // we have no direct access to proper defaults, so we will simply comment entries which depend on them
    String DEFAULTRULES = "";
    // we will move the entries for ѓ and ќ only, leaving everything else as is
    return new RuleBasedCollator( DEFAULTRULES +
            //"& 9 < \u0482 " +       // thousand sign
            //"& Z " +                // Arabic script sorts after Z's
            "< \u0430 , \u0410" +   // a
            "< \u0431 , \u0411" +   // be
            "< \u0432 , \u0412" +   // ve
            "< \u0433 , \u0413" +   // ghe
            "; \u0491 , \u0490" +   // ghe-upturn
            "; \u0495 , \u0494" +   // ghe-mid-hook
            /*!!!moved after д/de!!!*/ //"; \u0453 , \u0403" +   // gje
            "; \u0493 , \u0492" +   // ghe-stroke
            "< \u0434 , \u0414" +   // de
            /*!!!moved AND relation strength changed!!!*/ "< \u0453 , \u0403" +   // gje
            "< \u0452 , \u0402" +   // dje
            "< \u0435 , \u0415" +   // ie
            "; \u04bd , \u04bc" +   // che
            "; \u0451 , \u0401" +   // io
            "; \u04bf , \u04be" +   // che-descender
            "< \u0454 , \u0404" +   // uk ie
            "< \u0436 , \u0416" +   // zhe
            "; \u0497 , \u0496" +   // zhe-descender
            "; \u04c2 , \u04c1" +   // zhe-breve
            "< \u0437 , \u0417" +   // ze
            "; \u0499 , \u0498" +   // zh-descender
            "< \u0455 , \u0405" +   // dze
            "< \u0438 , \u0418" +   // i
            "< \u0456 , \u0406" +   // uk/bg i
            "; \u04c0 " +           // palochka
            "< \u0457 , \u0407" +   // uk yi
            "< \u0439 , \u0419" +   // short i
            "< \u0458 , \u0408" +   // je
            "< \u043a , \u041a" +   // ka
            "; \u049f , \u049e" +   // ka-stroke
            "; \u04c4 , \u04c3" +   // ka-hook
            "; \u049d , \u049c" +   // ka-vt-stroke
            "; \u04a1 , \u04a0" +   // bashkir-ka
            /*!!!moved after т/te!!!*/ //"; \u045c , \u040c" +   // kje
            "; \u049b , \u049a" +   // ka-descender
            "< \u043b , \u041b" +   // el
            "< \u0459 , \u0409" +   // lje
            "< \u043c , \u041c" +   // em
            "< \u043d , \u041d" +   // en
            "; \u0463 " +           // yat
            "; \u04a3 , \u04a2" +   // en-descender
            "; \u04a5 , \u04a4" +   // en-ghe
            "; \u04bb , \u04ba" +   // shha
            "; \u04c8 , \u04c7" +   // en-hook
            "< \u045a , \u040a" +   // nje
            "< \u043e , \u041e" +   // o
            "; \u04a9 , \u04a8" +   // ha
            "< \u043f , \u041f" +   // pe
            "; \u04a7 , \u04a6" +   // pe-mid-hook
            "< \u0440 , \u0420" +   // er
            "< \u0441 , \u0421" +   // es
            "; \u04ab , \u04aa" +   // es-descender
            "< \u0442 , \u0422" +   // te
            "; \u04ad , \u04ac" +   // te-descender
            "< \u045b , \u040b" +   // tshe
            /*!!!movedAND relation strength changed!!!*/ "< \u045c , \u040c" +   // kje
            "< \u0443 , \u0423" +   // u
            "; \u04af , \u04ae" +   // straight u
            "< \u045e , \u040e" +   // short u
            "< \u04b1 , \u04b0" +   // straight u-stroke
            "< \u0444 , \u0424" +   // ef
            "< \u0445 , \u0425" +   // ha
            "; \u04b3 , \u04b2" +   // ha-descender
            "< \u0446 , \u0426" +   // tse
            "; \u04b5 , \u04b4" +   // te tse
            "< \u0447 , \u0427" +   // che
            "; \u04b7 ; \u04b6" +   // che-descender
            "; \u04b9 , \u04b8" +   // che-vt-stroke
            "; \u04cc , \u04cb" +   // che
            "< \u045f , \u040f" +   // dzhe
            "< \u0448 , \u0428" +   // sha
            "< \u0449 , \u0429" +   // shcha
            "< \u044a , \u042a" +   // hard sign
            "< \u044b , \u042b" +   // yeru
            "< \u044c , \u042c" +   // soft sign
            "< \u044d , \u042d" +   // e
            "< \u044e , \u042e" +   // yu
            "< \u044f , \u042f" +   // ya
            "< \u0461 , \u0460" +   // omega
            "< \u0462 " +           // yat
            "< \u0465 , \u0464" +   // iotified e
            "< \u0467 , \u0466" +   // little yus
            "< \u0469 , \u0468" +   // iotified little yus
            "< \u046b , \u046a" +   // big yus
            "< \u046d , \u046c" +   // iotified big yus
            "< \u046f , \u046e" +   // ksi
            "< \u0471 , \u0470" +   // psi
            "< \u0473 , \u0472" +   // fita
            "< \u0475 , \u0474" +   // izhitsa
            "; \u0477 , \u0476" +   // izhitsa-double-grave
            "< \u0479 , \u0478" +   // uk
            "< \u047b , \u047a" +   // round omega
            "< \u047d , \u047c" +   // omega-titlo
            "< \u047f , \u047e" +   // ot
            "< \u0481 , \u0480"     // koppa
    );
}

规则可以进一步简化，只包含31个基本字母而不包括重音变体。
1
理想情况下，有人应该在https://bugs.openjdk.java.net上创建一个问题，描述`CollationData_mk`的问题，并引用一些关于马其顿语区域设置正确排序规则的适当参考资料。 - Oleg Estekhin
非常感谢！事实上，我已经在http://bugs.java.com上提交了一个错误报告。如果它被批准，我将在我的问题中添加一个链接以供后人参考。 - David ten Hove
网页内容由stack overflow 提供, 点击上面的
可以查看英文原文，
原文链接