如何在Python 3中按本地语言对拉丁语进行排序？

Question

在很多情况下，用户的语言不是“latin”脚本（示例包括：希腊语、俄语、中文）。在大多数情况下，排序是通过

完成的

• 首先对特殊字符和数字进行排序（虽然是当地语言的数字......），
• 其次是当地语言文字中的单词
• 最后是任何非本地字符，例如法语、英语或德语“导入”单词，采用通用 utf 排序规则。

或者更具体地说明其余的...：

可以根据脚本选择排序吗？

示例1：首先是中文文字，然后是拉丁语-希腊语-阿拉伯语（甚至更多......）

示例2：首先是希腊字母，然后是拉丁-阿拉伯-中文（甚至更多......）

创建此类排序的最有效且Python式的方法是什么？ （“any”我的意思是“简单”“首先选择的脚本”并按unicode排序，或者更复杂的“首先选择的脚本”，然后是其余脚本的指定顺序） 有趣的问题。这是一些对字符串进行分类的示例代码 根据第一个字符的书写系统。

Answer 1

在此示例中，我对平假名和片假名（这两个日语 音节）处于同一级别，这意味着纯片假名字符串将 总是出现在纯平假名字符串之后。如果我们想对它们进行排序 相同的音节（例如，に和ni）排序在一起，那就是 更棘手。

一个老问题，但我想提供一种利用 PyICU 和 ICU4C 的替代方法。

Answer 2

Unicode 对 BCP47 有两个扩展，允许控制或覆盖排序规则的各个方面。具体来说，

-u-kr-

允许在排序规则内重新排序脚本。您指定一个由连字符分隔的四个字母 ISO 15924 脚本代码列表。这将控制脚本顺序的排序。

使用 BCP-47 语言标签创建区域设置。在这种情况下，我将使用

und-u-kr-Adlm-Hans-Ethi-Latn

。

und
1. 是

   undefined

   ，它不代表特定的语言。它将使用根排序规则。我本可以使用

   en-u-kr-Adlm-Hans-Ethi-Latn

   ，因为 English 也使用根排序规则。 langauge 标签指定排序 Adlam，然后是简体中文，然后是埃塞俄比亚文字，然后是拉丁文。所有其他脚本均按根排序规则中的顺序排序。

import icu
locale = icu.Locale.forLanguageTag('und-u-kr-Adlm-Hans-Ethi-Latn')
collator = icu.Collator.createInstance(locale)
languages = ['𞠗𞢱𞡓𞠣', 'नेपाली','ꛀꛣꚧꚳ','白语','ማርኛ','français', '𞤊𞤵𞥅𞤼𞤢 𞤔𞤢𞤤𞤮𞥅']

print(sorted(languages))
# ['français', 'नेपाली', 'ማርኛ', '白语', 'ꛀꛣꚧꚳ', '𞠗𞢱𞡓𞠣', '𞤊𞤵𞥅𞤼𞤢 𞤔𞤢𞤤𞤮𞥅']

print(sorted(languages, key=collator.getSortKey))
# ['𞤊𞤵𞥅𞤼𞤢 𞤔𞤢𞤤𞤮𞥅', '白语', 'ማርኛ', 'français', 'नेपाली', 'ꛀꛣꚧꚳ', '𞠗𞢱𞡓𞠣']