我在哪里可以找到一组特定的排序规则来比较字符串的相等性？

Posted 2023-02-24

【中文标题】我在哪里可以找到一组特定的排序规则来比较字符串的相等性？

【英文标题】：Where can I find a specific set of collation rules for equality comparison of strings?

【发布时间】：2012-01-13 11:10:10

【问题描述】：

我们都知道，使用 String 的 equals() 方法进行相等比较会失败得很惨。相反，应该使用Collator，如下所示：

// we need to detect User Interface locale somehow
Locale uiLocale = Locale.forLanguageTag("da-DK");
// Setting up collator object
Collator collator = Collator.getInstance(uiLocale);
collator.setStrength(Collator.SECONDARY);
collator.setDecomposition(Collator.CANONICAL_DECOMPOSITION);
// strings for equality testing
String test1 = "USA lover Grækenland støtte";
String test2 = "USA lover graekenland støtte";
boolean result = collator.equals(test1, test2);

现在，此代码有效，即结果为真除非 uiLocale 设置为丹麦语。在这种情况下，它将产生错误。我当然明白为什么会发生这种情况：这只是因为equals方法是这样实现的：

return compare(s1, s2) == Collator.Equal;

此方法调用用于排序并检查字符串是否相同的方法。它们不是，因为丹麦特定的排序规则要求将 æ 排序在（如果我正确理解比较方法的结果）ae 之后。但是，这些字符串真的是相同的，具有这种优势，大小写差异和兼容性字符（这就是它的名称）应该被视为平等。

要解决此问题，可以使用 RuleBasedCollator 和适用于相等情况的特定规则集。 最后的问题是：有谁知道我在哪里可以获得这样的特定规则（不仅适用于丹麦语，也适用于其他语言），以便将兼容性字符、连字等视为平等（CLDRchart 确实似乎不包含此类或我搜索失败）？

或者我想在这里做一些愚蠢的事情，我真的应该简单地使用UCA 进行相等比较（请提供任何代码示例）？

【问题讨论】：

Strings equals() 完全按照它应该做的事情，并且将单词与某些语言中的等效拼写进行比较不是其中的一部分，所以我发现说它惨遭失败是一种误导。

@Stefan：问题是它不是。例如，对于包含重音字符或变音符号（à 或 ä）的字符串，如果其中一个字符串使用规范分解，它将返回 false。拼写可能相同，没关系。更糟糕的结果会给你 equalsIgnoreCase() - 不会识别像 sharp s 或 final sigma 这样的案例变体。那只是因为这些方法使用了不适合国际字符串的二进制比较。

关键字是规范分解。这是一种（自然）语言功能，与字符串表示无关，实际上在大多数情况下，您希望将它们作为字符串区别对待。我同意你对 equalsIgnoreCase 的看法，因为它模糊了字符串之间的界限，该字符串只是语言/区域设置中字符和单词的容器。

你试过全分解吗？

"我们都知道使用String的equals()方法进行相等比较会惨败。".你凭什么可以作出这样的断言？ “平等”的共同定义是平等的条件。当然“USA lover Graekenland støtte”不等于“USA lover graekenland støtte”，java 与否？你在问什么？

【参考方案1】：

我找不到任何现有的丹麦语 Collat​​or；丹麦语语言环境的内置语言应该是正确的。我不确定你认为ae 应该与æ 排序的假设是否成立，特别是由于丹麦语中的某些外来词（例如"aerofobi"）（我不是说丹麦语的人，尽管我会说瑞典语）。

但是，如果您想将它们排序在一起，似乎有两种方法可以做到这一点，具体取决于您所处的环境。在某些情况下，仅替换字符可能是合适的：

String str = "USA lover graekenland støtte";
String sortStr = str.replace("ae", "æ");

另一个可能更好的选项是您指定的选项；使用RuleBasedCollator。使用 javadocs 中的示例，这非常简单：

String danish = "< a, A < b, B < c, C < d, D < e, E < f, F < g, G < h, H < i, I" +
                "< j, J < k, K < l, L < m, M < n, N < o, O < p, P < q, Q < r, R" +
                "< s, S < t, T < u, U < v, V < w, W < x, X < y, Y < z, Z" +
                "< \u00E6 = ae," +       // Latin letter ae
                "  \u00C6 = AE " +       // Latin letter AE
                "< \u00F8, \u00D8" +     // Latin letter o & O with stroke
                "< \u00E5 = a\u030A," +  // Latin letter a with ring above
                "  \u00C5 = A\u030A;" +  // Latin letter A with ring above
                "  aa, AA";
RuleBasedCollator danishCollator = new RuleBasedCollator(danish);

然后您可以使用：

String test1 = "USA lover Grækenland støtte";
String test2 = "USA lover Graekenland støtte";         // note capital 'G'
boolean result = danishCollator.equals(test1, test2);  // true

如果您认为默认整理器不正确，您不妨report a bug。 （之前有similar bugs）。

更新：我用印刷的丹麦语百科全书检查了这一点。确实有以“ae”开头的单词（主要是外语单词；例如“有氧运动”）不以“æ”开头的单词排序（因此不等于）。因此，尽管我明白为什么在许多情况下您会希望将它们平等对待，但严格来说并非如此。

【讨论】：

我不是在问排序。丹麦的排序规则是正确的。老实说，这甚至与丹麦规则无关，只是平等比较规则。目前还没有这样的公开规则。

对，如果你使用 Collat​​or 和提供的集合，你的 'ae' 和 'æ' 是相等的。

【参考方案2】：

获取特定语言环境规则的一种方法是使用 getRules 函数。但是，在 android 中，此函数返回一个空字符串。

    RuleBasedCollator collTemp = (RuleBasedCollator) Collator
            .getInstance(Locale.US);
    String usRules = collTemp.getRules();


    //Save rules in a file
    String rulesPath = "C:\\projects\\droid\\rules.txt";
    BufferedWriter out = new BufferedWriter
            (new OutputStreamWriter(new FileOutputStream(rulesPath),"UTF-16"));
    out.write(usRules);
    out.close();

这些规则与比较函数使用的规则相同。

if (collTemp.compare(target, str) < 0)

注意：我尝试将 JDK 桌面应用程序字符串中的规则插入 Android RuleBasedCollat​​or 构造函数，但我得到 U_INVALID_FORMAT_ERROR（仅限 Android）。所以我仍在试图弄清楚如何在Android中获得美国规则。