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),
能够很方便把其余语言(好比简体中文)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.

 

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

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

苹果上的CFStringTransform/kCFStringTransformToLatin汉字转拼音也是经过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

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, )

若是元素1和2加上引号变成字符串类型的话,则1和2排序后会出如今开头.
查看已经安装的软件包目录文件结构:
dpkg -L libicu52:amd64
/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

下面实现了经常使用的按汉字拼音首字母分组排序的功能:

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,显示以下:
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,下面的天然排序跟上面有所不一样:

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(天然排序下汉字并无按照拼音进行排序): 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:

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(相似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