使用locale/collation对字典按键进行排序

Question

以下代码忽略了语言环境，使得Égypt排在最后，有什么问题吗？

dict = {"United States": "United States", "Spain" : "Spain", "England": "England", "Égypt": "Égypt"}

import locale

# using your default locale (user settings)
locale.setlocale(locale.LC_ALL,"fr_FR")
print OrderedDict(sorted(dict.items(), key=lambda t: t[0], cmp=locale.strcoll))

这是输出结果：

OrderedDict([('England', 'England'), ('Spain', 'Spain'), ('United States', 'United States'), ('\xc3\x89gypt', '\xc3\x89gypt')])

- alasarr

---

我认为您不能同时指定 key 和 cmp。 - Daniel Roseman

@Daniel其实你可以这样做……只是这样做有点奇怪（键的结果最终被传递给cmp函数）。 - Jon Clements

иҝҷйҮҢжңҖеӨ§зҡ„й—®йўҳжҳҜдёҚжё…жҘҡlocaleеҜ№дәҺfr_FRдјҡе°ҠйҮҚе“Әз§Қзј–з ҒгҖӮ - Martijn Pieters

因此，结论是这篇文章是 Python not sorting unicode properly. Strcoll doesn't help 的重复，以及其他提到 PyICU 的帖子，因为这是解决这个问题的正确答案。 - Martijn Pieters

将你的代码复制粘贴到我的Python 2.7中，得到了正确的答案。 - Tigran Saluev

Answer 1

考虑以下内容...

import unicodedata
from collections import OrderedDict
dict = {"United States": "United States", "Spain" : "Spain", "England": "England", "Égypt": "Égypt"}

import locale

# using your default locale (user settings)
locale.setlocale(locale.LC_ALL,"fr_FR")

print OrderedDict(sorted(dict.items(),cmp= lambda a,b: locale.strcoll(unicodedata.normalize('NFD', unicode(a)[0]).encode('ASCII', 'ignore'),
                                                                       unicodedata.normalize('NFD', unicode(b)[0]).encode('ASCII', 'ignore'))))

- Henry

---

一定有比写大量代码来更改语言环境的更好的解决方案。 - imrek

还应该注意，设置区域设置可能会影响Python实例的其他部分。 - Marcel Wilson

注意：在Python 3中，排序函数不再具有“cmp”参数，它们只有“key”。您可以使用“locale.strxfrm”作为键来获得与“locale.strcoll”相同的结果。 - Sebastian Riese

注意2：警告更改区域设置是程序的全局状态，可能会导致意外行为（在库代码中永远不应该这样做）。 - Sebastian Riese

Answer 2

这里有一个解决方法。

使用Unicode的规范分解形式http://en.wikipedia.org/wiki/Unicode_equivalence#Normal_forms

# utf-8 <-> unicode is left as exercise to the reader
egypt = unicodedata.normalize("NFD", egypt)

sorted(['Egypt', 'E\xcc\x81gypt', 'US'])
['Egypt', 'E\xcc\x81gypt', 'US']

这实际上并没有考虑到区域设置。

除此之外，尝试使用更新的Python（是的，我知道）或来自Martijn链接问题和相应答案的ICU库。

- Dima Tisnek

---

这并不能解决问题，因为对于许多字符串它将导致错误的排序，例如：>>> sorted(["Égypt", "Example"], key=lambda x: unicodedata.normalize('NFD', x)) ['Example', 'Égypt']。 - Sebastian Riese