PHP利用ICU扩展intl快速实现汉字转拼音以及按拼音首字母分组排序

ICU(International Components for Unicode)里提供了transliterator(直译器),
可以很方便把其他语言(比如简体中文)转为拉丁文表示:
http://cn2.php.net/manual/zh/transliterator.transliterate.php
Transliterator: allows getting latin representation of strings in various languages.

<?php//文件编码要求是Unicodeheader('Content-Type: text/html; charset=utf-8');echo transliterator_transliterate('Any-Latin', '中华有为');//输出 zhōng huá yǒu wèiecho transliterator_transliterate('Any-Latin; Latin-ASCII; Lower()', '中华有为');//输出 zhong hua you weiecho transliterator_transliterate('Any-Latin; Latin-ASCII; Upper()', '中华有为');//输出 ZHONG HUA YOU WEIecho transliterator_transliterate('Any-Latin', '重阳');//输出 zhòng yáng (错误,多音字还是坑)

苹果上的CFStringTransform/kCFStringTransformToLatin汉字转拼音也是通过ICU transform实现的:
http://userguide.icu-project.org/transforms/general#TOC-ICU-Transliterators
http://nshipster.com/cfstringtransform/

使用php5-intl(依赖ICU:libicu52)的简体中文(zh_CN)排序器collator按拼音排序:
http://cn2.php.net/manual/zh/collator.sort.php
php-src/ext/intl –enable-intl –with-icu-dir=DIR
相关: MySQL数据表排序规则COLLATE=utf8_general_ci

<?phpheader('Content-Type: text/html; charset=utf-8');$coll = collator_create('zh_CN');$arr = array('中国','华山','华夏','中华','重阳','重量','b','a',2,1);collator_sort($coll, $arr);var_export($arr);//输出(可见汉字按照拼音排序,但不能识别多音字"重"):array (  0 => 'a',  1 => 'b',  2 => '华山',  3 => '华夏',  4 => '中国',  5 => '中华',  6 => '重量',  7 => '重阳',  8 => 1,  9 => 2,)

如果元素1和2加上引号变成字符串类型的话,则1和2排序后会出现在开头.
查看已经安装的软件包目录文件结构:
dpkg -L libicu52:am本文来源gaodai#ma#com搞@@代~&码*网/搞gaodaima代码d64
/usr/lib/x86_64-linux-gnu/libicu*
/usr/lib/x86_64-linux-gnu/libicudata.so.52.1 动态库23MB
/usr/lib/x86_64-linux-gnu/libicudata.a 静态库23MB
Windows上则是:
php\icu*.dll
php\ext\php_intl.dll

下面实现了常用的按汉字拼音首字母分组排序的功能:

<?phpheader('Content-Type: text/html; charset=utf-8');$arr = array('百度知道','阿里云','百度百科','阿里巴巴');$coll = collator_create('zh_CN');collator_sort($coll, $arr);var_export($arr);//输出 array ( 0 => '阿里巴巴', 1 => '阿里云', 2 => '百度百科', 3 => '百度知道', )$tmp = array();foreach($arr as $v) {	$pinyin = transliterator_transliterate('Any-Latin; Latin-ASCII; Upper()', $v);	$tmp[substr($pinyin, 0, 1)][] = $v;}var_export($tmp);//输出array (  'A' =>   array (    0 => '阿里巴巴',    1 => '阿里云',  ),  'B' =>   array (    0 => '百度百科',    1 => '百度知道',  ),)

附:
ls命令,Linux和Windows的文件管理器,显示如下:
1 2 a b 华山 华夏 中国 中华 重量 重阳
数字,字母,汉字(按拼音排序,但不能识别多音字)
汉字方面,下面的自然排序跟上面有所不同:

<?phpheader('Content-Type: text/plain; charset=utf-8');$arr = array('中国','华山','华夏','中华','重阳','重量','b','a',2,1);natsort($arr); // 等价于 uasort($arr, function($a, $b) { return strnatcmp($a, $b); });var_export($arr);//输出(自然排序下汉字并没有按照拼音进行排序):array (  9 => 1,  8 => 2,  7 => 'a',  6 => 'b',  3 => '中华',  0 => '中国',  2 => '华夏',  1 => '华山',  5 => '重量',  4 => '重阳',)

几种排序的比较:

<?phpheader('Content-Type: text/plain; charset=utf-8');$arr = explode(' ', '1 11 111 112 12 121 122 a aa aaa aab ab aba abb 阿里 百度 中 中国 中国国 中国中 中中 中中国 中中中');shuffle($arr); //打乱数组//collator_sort(collator_create('zh_CN'), $arr);//usort($arr, function($a, $b) { return strnatcmp($a, $b); });usort($arr, function($a, $b) { return strcmp($a, $b); });echo implode(' ',$arr);exit();?>ls排序:1 11 111 112 12 121 122 a aa aaa aab ab aba abb 阿里 百度 中 中国 中国国 中国中 中中 中中国 中中中collator_sort(zh_CN)排序(类似Windows/Linux桌面文件管理器里的默认按名称上升排列):1 11 12 111 112 121 122 a aa aaa aab ab aba abb 阿里 百度 中 中国 中国国 中国中 中中 中中国 中中中strnatcmp排序:1 11 12 111 112 121 122 a aa aaa aab ab aba abb 中 中中 中中中 中中国 中国 中国中 中国国 百度 阿里strcmp排序:1 11 111 112 12 121 122 a aa aaa aab ab aba abb 中 中中 中中中 中中国 中国 中国中 中国国 百度 阿里

喜欢 (0)赏

[搞代码]

分享 (0)