PHP利用ICU擴展intl快速實現漢字轉拼音以及按拼音首字母分組排序

 

ICU(International Components for Unicode)裏提供了transliterator(直譯器),
能夠很方便把其餘語言(好比簡體中文)轉爲拉丁文表示:
http://cn2.php.net/manual/zh/transliterator.transliterate.php
Transliterator: allows getting latin representation of strings in various languages.

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

<?php //文件編碼要求是Unicode header('Content-Type: text/html; charset=utf-8');   echo transliterator_transliterate('Any-Latin', '中華有爲'); //輸出 zhōng huá yǒu wèi   echo transliterator_transliterate('Any-Latin; Latin-ASCII; Lower()', '中華有爲'); //輸出 zhong hua you wei   echo transliterator_transliterate('Any-Latin; Latin-ASCII; Upper()', '中華有爲'); //輸出 ZHONG HUA YOU WEI   echo transliterator_transliterate('Any-Latin', '重陽'); //輸出 zhòng yáng (錯誤,多音字仍是坑)

蘋果上的CFStringTransform/kCFStringTransformToLatin漢字轉拼音也是經過ICU transform實現的:
http://userguide.icu-project.org/transforms/general#TOC-ICU-Transliterators
http://nshipster.com/cfstringtransform/

使用php5-intl(依賴ICU:libicu52)的簡體中文(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
相關: MySQL數據表排序規則COLLATE=utf8_general_ci

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

<?php header('Content-Type: text/html; charset=utf-8'); $coll = collator_create('zh_CN'); $arr = array('中國','華山','華夏','中華','重陽','重量','b','a',2,1); collator_sort($coll, $arr); var_export($arr); //輸出(可見漢字按照拼音排序,但不能識別多音字"重"): array (   0 => 'a',   1 => 'b',   2 => '華山',   3 => '華夏',   4 => '中國',   5 => '中華',   6 => '重量',   7 => '重陽',   8 => 1,   9 => 2, )

若是元素1和2加上引號變成字符串類型的話,則1和2排序後會出如今開頭.
查看已經安裝的軟件包目錄文件結構:
dpkg -L libicu52:amd64
/usr/lib/x86_64-linux-gnu/libicu*
/usr/lib/x86_64-linux-gnu/libicudata.so.52.1 動態庫23MB
/usr/lib/x86_64-linux-gnu/libicudata.a 靜態庫23MB
Windows上則是:
php\icu*.dll
php\ext\php_intl.dll

下面實現了經常使用的按漢字拼音首字母分組排序的功能:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26

<?php header('Content-Type: text/html; charset=utf-8'); $arr = array('百度知道','阿里雲','百度百科','阿里巴巴'); $coll = collator_create('zh_CN'); collator_sort($coll, $arr); var_export($arr); //輸出 array ( 0 => '阿里巴巴', 1 => '阿里雲', 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); //輸出 array (   'A' =>   array (     0 => '阿里巴巴',     1 => '阿里雲',   ),   '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,顯示以下:
1 2 a b 華山 華夏 中國 中華 重量 重陽
數字,字母,漢字(按拼音排序,但不能識別多音字)
漢字方面,下面的天然排序跟上面有所不一樣:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

<?php header('Content-Type: text/plain; charset=utf-8'); $arr = array('中國','華山','華夏','中華','重陽','重量','b','a',2,1); natsort($arr); // 等價於 uasort($arr, function($a, $b) { return strnatcmp($a, $b); }); var_export($arr); //輸出(天然排序下漢字並無按照拼音進行排序): array (   9 => 1,   8 => 2,   7 => 'a',   6 => 'b',   3 => '中華',   0 => '中國',   2 => '華夏',   1 => '華山',   5 => '重量',   4 => '重陽', )

幾種排序的比較:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

<?php header('Content-Type: text/plain; charset=utf-8'); $arr = explode(' ', '1 11 111 112 12 121 122 a aa aaa aab ab aba abb 阿里 百度 中 中國 中國國 中國中 中中 中中國 中中中'); shuffle($arr); //打亂數組 //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 中國 中國國 中國中 中中 中中國 中中中 collator_sort(zh_CN)排序(相似Windows/Linux桌面文件管理器裏的默認按名稱上升排列): 1 11 12 111 112 121 122 a aa aaa aab ab aba abb 阿里 百度 中 中國 中國國 中國中 中中 中中國 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 中中國 中國 中國中 中國國 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 中中國 中國 中國中 中國國 百度 阿里