統一碼定序演算法

演算法

統一碼定序演算法(英語:Unicode collation algorithm,縮寫:UCA)是統一碼技術報告 #10 中定義的一種算法,它是一種可自定義的方法。對任何以統一碼表示的字符串文本,不論是使用哪種文字語言,都可為其生成二進制鍵。這些鍵可以逐字節且有效地比對,從而可以根據語言規則為他們定序或排序。這個過程中,還提供可以忽略大小寫、重音等的選項。

統一碼技術報告 #10 還定義了默認統一碼定序元素表(英語:Default Unicode Collation Element Table,縮寫:DUCET)。此文件定義了預設的排列順序。 DUCET 可針對不同語言進行定製。可以在通用當地數據儲存庫(英語:Common Locale Data Repository,縮寫:CLDR)中找到一些此類自定義。

國際統一碼部件(ICU)中包含了 UCA 的開源實作件。 ICU 支持裁剪,來自 CLDR 的整理裁剪包含在 ICU 中。剪裁效果和許多語言特定的剪裁效果顯示在在線ICU 區域設置瀏覽器中。

目標問題

編輯

不同語言及文化,可能使用不同的排序方式,對相同的字符,德國人、法國人、瑞典人使用不同的方式排序。不同的應用,也可能使用不同的排序,譬如字典、電話簿和索引目錄。對於非字母文字,如東亞表意文字,排序也可能根據聲音或外形。此外,排序也可能根據習慣,如忽略標點符號、大寫在小寫前(或反過來)。

語言 瑞典 z < ö
德國 ö < z
應用 德國字典 of < öf
德國電話簿 öf < of
使用者習慣 大寫優先 A < a
小寫優先 a < A


多層級比較

編輯

統一碼定序演算法歸納出了多層級的比較方式。

等級 描述 例子
L1 基本 role < roles < rule
L2 重音符 role < rôle < roles
L3 大小寫或變體 role < Role < rôle
L4 標點符號 role < 「role」 < Role
Ln role < ro□le < 「role」

另見

編輯

外部連結

編輯

工具

編輯