Java Unicode 字符串排序

Posted 2023-02-24

【中文标题】Java Unicode 字符串排序

【英文标题】：Java Unicode strings sorting

【发布时间】：2011-07-22 22:14:06

【问题描述】：

在 Java 中，如何比较 Unicode 字符串？

我的意思是，如果我有几个说日文字符串，当我执行以下操作时：

java.util.Arrays.sort(arrayOfJapaneseStrings);

这些字符串是如何比较和排序的？

【参考方案1】：

默认情况下，字符串按 Unicode 顺序按字典顺序排序。顺序是 UTF-16，所以某些字符可能不是你想要的，但是日文字符都在 BMP 中，所以你不应该对这些有问题。

如果您想要不同的排序顺序，可以使用java.text.Collator 类来定义不同的排序顺序。

【讨论】：

所以“Unicode 顺序”基本上是“升序 Unicode 代码点”？

@ryanprayogo：是的。具体来说，它是升序的 Java 字符值，由于 UTF-16，它大多与 Unicode 码点一一对应。 U+10000 以上的字符除外，它们在表示中使用代理字符。

“Unicode 顺序”遵循Unicode Collation Algorithm。你在谈论一些不同的东西。请不要谈论 UTF-16；这是一个巨大的尴尬和后宫的痛苦。尝试在 Java 中正确处理 Unicode 是一种折磨。

谢谢，@tchrist。你是对的，我不是说“Unicode 顺序”。我不知道该怎么称呼它，因为“代码点顺序”也会产生误导。也许只是“字符数值的顺序”。

顺便说一句，我没有对 UTF-16 做出判断 :-)。尽管我确实对 Java 将实用版本的 Unicode 带入该语言给予了很多赞誉，但当大多数语言仍然很难使用基本的 Unicode 时。即使在今天，Java 也使得处理大多数文本变得非常简单，但对于特殊用途，您确实需要知道自己在做什么。我还没有遇到与 Java 中的 UTF-16 相关的错误。

【参考方案2】：

默认情况下，它采用 UTF-16 字节码比较。这是最快的方法，因此如果您只需要 some 顺序（例如，如果您稍后要使用二进制搜索，则需要它们按顺序排列，但只是“按顺序排列” " 表示无所谓，越快越好)。

如果您需要在给定语言环境中对用户有意义的排序，请使用 java.text.Collat​​or 类。

【讨论】：

j.t.Collat​​or 类不符合Unicode Collation Algorithm。使用真实的东西。

@tchrist 现在是否有对 UCA 的良好支持，有很多支持的语言环境？上次我实际使用 Java 时，UCA 是相当新的，所以我知道从那以后发生了很多变化（为什么我很少回答 Java 问题，只是那些我知道我可以说一些有意义的问题）。

Jon，JDK Collat​​or 类仍然不实现 UCA，但 ICU’s 实现了。我发现 UCA 通常正是我想要的，甚至没有任何特殊的语言环境，但如果您愿意，ICU 也将 CLDR 数据用于其语言环境业务。我现在将 UCA 用于我所有的文本排序，并且它产生了很大的不同。

@tchrist，前段时间我用过一些 ICU 的 C++ 东西，发现它确实非常好。

【参考方案3】：

根据compareToString类的方法。见javadoc：

比较两个字符串 按字典顺序。比较基于中每个字符的 Unicode 值 字符串。这个代表的字符序列 String 对象按字典顺序与 由参数字符串表示的字符序列。结果是 如果此 String 对象，则为负整数 按字典顺序在参数字符串之前。结果是一个 如果此 String 对象，则为正整数 按字典顺序 跟随参数字符串。如果字符串结果为零 是平等的； compareTo 返回 0 确切时间 @link #equals(Object) 方法将返回 true。

【讨论】：

这看起来像是 UCS-2 旧时代的古话。