使用排序规则对马其顿字母进行排序

Posted 2023-02-24

【中文标题】使用排序规则对马其顿字母进行排序

【英文标题】：Sort Macedonian alphabet using collation

【发布时间】：2016-10-04 09:39:51

【问题描述】：

我正在尝试对一组用马其顿字母书写的字符串进行排序。我知道该怎么做，但最终结果不是我所期望的。这是我的测试程序：

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 中的字母按正确的字母顺序排列，但程序会打印

абвгѓдежзѕијкќлљмнњопрстуфхцчџш

但它应该是：

абвгдѓежзѕијклљмнњопрстќуфхцчџш

Java 中的马其顿整理器有问题还是我做错了什么？

【问题讨论】：

看起来 Java 在 "г" 和 "ѓ" 之间没有区别 // "к" 和 "ќ"，但这很奇怪。

字母 ѓ 和 ќ 是马其顿字母不同于克罗地亚语和塞尔维亚语等其他西里尔字母的地方。这也解释了为什么它们的 unicode 值在马其顿字母表中字母的其余代码之外。

另见en.wikipedia.org/wiki/Macedonian_alphabet#Unique_letters

根据 mk_MK collator.getRules() 判断，它将 'ѓ' 放在 'д' 之前，因此问题出在 Java 中的马其顿整理器上。 RuleBasedCollator 的 Javadoc 解释了如果您确实需要，如何使用自己的规则创建自己的整理器。

@OlegEstekhin 谢谢！如果你把它放在一个答案中，我会确保接受它。

【参考方案1】：

“mk_MK”区域设置的整理器基于 sun.text.resources.mk.CollationData_mk 资源 (CollationData_mk.java source in jdk8u repo tagged jdk8u92-b14)。

CollationData_mk 中的整理者规则清楚地将“ѓ”放在“г”之后，将“ќ”放在“к”之后。

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CollationData_mk中的规则：

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，只包含基本的 31 个字母而没有重音变体。

【讨论】：

理想情况下，应该有人在bugs.openjdk.java.net 中创建一个问题，描述CollationData_mk 的问题，并引用一些关于马其顿语言环境的正确排序规则的正确参考。

非常感谢！事实上，我已经在bugs.java.com 上提交了一个错误。如果它获得批准，我将添加我的问题的链接以供后代使用。