按中文拼音排序的小技巧

Posted on | In

说到按中文拼音排序，很多人就想到了通过『拼音字典』的相关库来实现。随便在github搜索一下 拼音 发现库确实挺多的，不过实现成本都有点高。再搜索 拼音排序 还真有，我简单的看了下，实现方式五花八门。

今天分享一个按拼音排序的小技巧，与语言无关，但是用PHP实现最简单就用PHP做演示。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
$province_arr = ['山东','山西','安徽','北京','福建','甘肃','广东','贵州'];

usort($province_arr,function($a,$b){
    $a = iconv('UTF-8', 'GBK//IGNORE', $a);
    $b = iconv('UTF-8', 'GBK//IGNORE', $b);
    return $a>$b?1:-1;
});
print_r($province_arr);
/**结果如下
Array
(
    [0] => 安徽
    [1] => 北京
    [2] => 福建
    [3] => 甘肃
    [4] => 广东
    [5] => 贵州
    [6] => 山东
    [7] => 山西
)
**/

不算闭包函数的话一行代码就实现了『将汉字用拼音排序』的功能，当然这段代码有一点缺陷就是数组中的每一行数据都执行了两次iconv() 函数，这是可以优化的。另一点就是扩展性不足，遇到英文开头的字符串时需要做特殊处理。除此之外相当给力的一种方法，下面说说他排序的原理。

GBK编码，是对GB2312编码的扩展，因此完全兼容GB2312-80标准。GBK编码依然采用双字节编码方案，其编码范围：8140－FEFE，剔除xx7F码位，共23940个码位。共收录汉字和图形符号21886个，其中汉字（包括部首和构件）21003个，图形符号883个。GBK编码支持国际标准ISO/IEC10646-1和国家标准GB13000-1中的全部中日韩汉字，并包含了BIG5编码中的所有汉字。GBK编码方案于1995年12月15日正式发布，这一版的GBK规范为1.0版。更新介绍

上面一段是GBK编码的简介，要是认真看GBK编码的介绍的话会发现一个很有意思的事情。

GBK编码汉字区包括：

a. GB 2312 汉字区。即 GBK/2: B0A1-F7FE。收录 GB 2312 汉字 6763 个，按原顺序排列。

b. GB 13000.1 扩充汉字区。包括：

  1. GBK/3: 8140-A0FE。收录 GB 13000.1 中的 CJK 汉字 6080 个。
  1. GBK/4: AA40-FEA0。收录 CJK 汉字和增补的汉字 8160 个。CJK 汉字在前，按 UCS 代码大小排列；增补的汉字（包括部首和构件）在后，按《康熙字典》的页码/字位排列。

我们发现GBK编码的两次扩充都是基于拼音做的编码排序，所以整个GBK汉字区的中文符号都自带拼音权重。所以通过这个权重我们能轻松的实现『将汉字用拼音排序』功能。

另外GBK编码与编程语言无关，我们通过Java，JS，Golang都能很轻松的实现拼音排序功能。