UNIX 文字工具: 中文排序的問題

甚至有些 UNIX 系統內附的 sort 指令，根本無法正確處理高拜 (數值 > 127 的 byte 位元組)。 所以，這些 sort 無法正確為 Big-5 中文碼排序。

如果 sort 指令可以接受高拜，則形式上， 我們可以用 sort 指令來為 Big-5 碼的中文文字檔排序。 sort 不管檔案內容是什麼字碼，反正它就是按照一個 byte 一個 byte 的號碼來排序。 這樣的結果差強人意，但是詳細來看是有問題的。 每個 Big-5 碼有首碼與次碼。凡是首碼比較小的字，就必定排在前面。 但是 Big-5 碼的排列方式，是把中文分成常用與次常用兩堆。 常用字的首碼總是比次常用字的首碼小。 因此，筆畫多的常用字，例如「圍」，總是排在筆畫少的次常用字前面，例如「囗」。 嚴格來說，這樣的排序結果就錯誤了。因為，一般而言，中國字的排序方法應該是：

1. 比筆畫數
2. 筆畫數相同者，比部首序 (部首序按照康熙字典之順序)
         或者
   筆畫數相同者，比拼音 (按照漢語拼音符號在英文字母中的順序)
3. 前二者皆同者，比字碼

倘若使用的字碼是 CNS，效果應該比 Big-5 稍好一點。 因為 CNS 本身的錯誤，比 Big-5 少。 但是基本的困難仍然存在。 倘若使用的字碼是 Unicode，問題就更嚴重了。 因為 Unicode 只是交換碼，它的設計完全沒有考慮到排序的需要。 因此在 Unicode 字碼表上，中國字的編號和筆畫數、發音、部首， 可以說基本上沒有關係。 詳情請看本教材中 Unicode 的專文。

讀者必需自己做實驗，才能確定您的 sort 指令是否可以做差強人意的中文排序。

習題

[ 前一節 ]‧[ 後一節 ]‧[ 回目錄 ]

注意：此處所有文件均為原著，個別的版權宣告日後會一一公布， 整體版面設計亦尚未完成。但仍請勿抄襲文字與圖片，以免觸犯著作權法。

Created: Nov 19, 2000
Last Revised: Nov 19, 2000
© Copyright 2000 Wei-Chang Shann 單維彰

• Back to the home page of Wei-Chang Shann.
• Connect to the home page of Department of Mathematics, National Central University, Taiwan.