漢字按拼音排序是個看似簡單、實則處處是坑的需求。
多數人會直覺地這樣寫:
var list = ['王', '張', '李'];
list.sort(function (a, b) {
return a.localeCompare(b);
});
localeCompare() 用本地特定的順序比較兩個字串。聽起來很合適,但它的可靠性有兩個致命依賴:
一是很依賴中文作業系統。排序規則由系統的 locale 設定決定,非中文環境的排序結果完全不同。
二是很依賴瀏覽器內核。各引擎對 locale 的實作與 ICU 資料版本不盡相同。
也就是說,如果網站訪客使用非中文系統,或非 IE 瀏覽器(如 Chrome),他看到的排序結果很可能與你預期的完全不同。對於「聯絡人清單按姓名排序」這種功能,這是無法接受的。
這個方法支援 Unicode 字集中從 0x4E00 到 0x9FA5 的連續區域,共 20902 個中日韓漢字(CJK 基本區)。
var CompareStrings = {
db: '吖阿啊锕錒嗄哎哀...袰襨鐢閪闏霻鶑', // 其中省略數萬字
getOrderedUnicode: function (char) {
var originalUnicode = char.charCodeAt();
if (originalUnicode >= 0x4E00 && originalUnicode <= 0x9FA5) {
var index = this.db.indexOf(char);
if (index > -1) {
return index + 0x4E00;
}
}
return originalUnicode;
},
compare: function (a, b) {
if (a == b) { return 0; }
// 目前的寫法是把空字串排在最後
if (a.length == 0) { return 1; }
if (b.length == 0) { return -1; }
var count = a.length > b.length ? b.length : a.length;
for (var i = 0; i < count; i++) {
var au = this.getOrderedUnicode(a[i]);
var bu = this.getOrderedUnicode(b[i]);
if (au > bu) {
return 1;
} else if (au < bu) {
return -1;
}
}
return a.length > b.length ? 1 : -1;
}
};
// 重寫系統原生的 localeCompare
String.prototype.localeCompare = function (param) {
return CompareStrings.compare(this.toString(), param);
};
步驟一:取得按拼音排序好的字庫。有多種途徑,原作者是先用 JavaScript 枚舉所有漢字,提交到 C# 後台排序,再把結果輸出到前台存成字串。這只是準備工作,用任何語言、任何方式生成都可以,關鍵是這份字庫的順序必須正確。
步驟二:確定兩個字元誰比較大。因為排序時不只處理漢字,還要處理數字、字母、標點,所以比較器必須能識別所有字元。這裡用「是否落在 CJK 區間」來區分:如果是漢字,就到排序好的字庫裡搜尋它的索引值,再加上 0x4E00(CJK 區的起點),就得到「校準後」的排序權重;如果不是漢字,直接回傳它在 Unicode 中的原始碼點。
步驟三:逐字比較兩個字串。在有效範圍內(即較短字串的長度)逐一比對,發現 a 較大回傳 1,反之回傳 -1。
步驟四:處理長度差異。若比完有效範圍仍分出勝負,就看誰比較長。例如 a='123'、b='1234',較長的 b 排在後面。
它解決了跨平台一致性的問題,但仍有幾個需要留意的邊界。
只覆蓋 CJK 基本區。0x4E00–0x9FA5 之外的漢字(如擴展 A 區的 㐀、擴展 B 區的 𠀀)不在字庫中,會退回用原始碼點排序,位置會亂掉。生僻字多的場景需要擴充字庫。
多音字問題。漢字如「重」有 zhòng / chóng 兩讀,字庫只能選一個位置。人名的「重」姓讀 chóng,若字庫按 zhòng 排,就會排錯。這是拼音排序的根本難題,需要詞級資訊才能完全解決。
全文索引法不支援。字元是經由 a[i] 取出的,這在舊環境下等同 charAt,以 UTF-16 碼元為單位。若字串含 emoji 或擴展區字元(需代理對表示),會被切成兩個無效的碼元。
不該覆寫內建原型。直接改寫 String.prototype.localeCompare 會影響頁面上所有使用該方法的程式碼,包括第三方庫。應該實作為獨立函數。
好消息是,這個問題在現代環境下已有標準答案:Intl.Collator 搭配明確的 locale。
var list = ['王', '張', '李', '阿明', '陳大文'];
// 明確指定 zh-Hans-CN,不依賴系統設定
var collator = new Intl.Collator('zh-Hans-CN');
list.sort(collator.compare);
// 結果按拼音順序,且跨平台一致
關鍵差異在於:明確傳入 locale 參數。不傳時 Intl.Collator 會使用系統預設,回到原本不可靠的狀態;傳入 'zh-Hans-CN' 後,排序規則由 ECMA-402 規範定義、由各引擎的 ICU 資料實作,結果在不同作業系統與瀏覽器上是一致的。
它還支援更細的控制:
// 忽略標點與大小寫差異
var collator = new Intl.Collator('zh-Hans-CN', {
sensitivity: 'base',
ignorePunctuation: true
});
// 以數字順序排序("item2" 排在 "item10" 前面)
var collator = new Intl.Collator('zh-Hans-CN', { numeric: true });
效能上也更優——Intl.Collator 物件可重複使用,內部會快取排序所需的 collation 表,而自建方案每次比較都要做一次 indexOf 字串搜尋。
總結:自建字庫這個思路在沒有 Intl 的時代是必要的,展現了很好的問題拆解能力。但今天請直接用 Intl.Collator 並明確指定 locale——它解決了跨平台一致性,也涵蓋了自建方案難以處理的多音字與擴展字元問題。