¿Dónde puedo encontrar un conjunto específico de reglas de intercalación para la comparación de igualdad de cadenas?

Question

Todos sabemos que usar el método equals() de String para la comparación de igualdad fallará miserablemente. En su lugar, se debe usar Collator, así:

// we need to detect User Interface locale somehow 
Locale uiLocale = Locale.forLanguageTag("da-DK"); 
// Setting up collator object 
Collator collator = Collator.getInstance(uiLocale); 
collator.setStrength(Collator.SECONDARY); 
collator.setDecomposition(Collator.CANONICAL_DECOMPOSITION); 
// strings for equality testing 
String test1 = "USA lover Grækenland støtte"; 
String test2 = "USA lover graekenland støtte"; 
boolean result = collator.equals(test1, test2); 

Ahora, este código funciona, es decir el resultado se da menos UILocale se establece en danés. En tal caso, dará falso. Desde luego, entiendo por qué esto sucedió: esto es sólo porque el método es igual se implementa como esto:

return compare(s1, s2) == Collator.Equal; 

Este método llama al que se utiliza para clasificar y comprobar si las cadenas son iguales. No lo son, porque las reglas de intercalación específicas danesas requieren que æ se ordenen después (si entiendo correctamente el resultado del método de comparación) ae. Sin embargo, estas cadenas son realmente lo mismo, con esta resistencia tanto las diferencias de casos como los caracteres de compatibilidad (así se llama) deben tratarse como iguales.

Para solucionar esto, uno usaría RuleBasedCollator con un conjunto específico de reglas que funcionarán para el caso de igualdad.
Finalmente, la pregunta es: ¿alguien sabe dónde puedo obtener tales reglas específicas (no solo para el danés, sino también para otros idiomas), para que los caracteres de compatibilidad, ligaduras, etc. sean tratados como iguales (CLDRchart no parece para contener tal o he fallado en buscarlo)?

O tal vez quiero hacer algo estúpido aquí, y realmente debería usar simplemente UCA para comparación de igualdad (cualquier muestra de código, por favor)?

Answer 1

No puedo encontrar ninguna Collator para danés; se supone que el incorporado para la localidad danesa es correcto. No estoy seguro de que su suposición de que ae se debe ordenar con æ contiene, específicamente debido a ciertas palabras extranjeras (por ejemplo "aerofobi") en danés (no soy un hablante danés, aunque sí hablo sueco).

Pero, si desea ordenar juntos, parece que tienes dos maneras de hacer esto, dependiendo de qué contexto estás en En ciertos contextos, sólo la sustitución de los caracteres podría ser approprite:.

String str = "USA lover graekenland støtte"; 
String sortStr = str.replace("ae", "æ"); 

La otra opción, tal vez mejor, es la que ha especificado; usando RuleBasedCollator. Usando el ejemplo de los javadocs, esto es bastante trivial:

String danish = "< a, A < b, B < c, C < d, D < e, E < f, F < g, G < h, H < i, I" + 
       "< j, J < k, K < l, L < m, M < n, N < o, O < p, P < q, Q < r, R" + 
       "< s, S < t, T < u, U < v, V < w, W < x, X < y, Y < z, Z" + 
       "< \u00E6 = ae," +  // Latin letter ae 
       " \u00C6 = AE " +  // Latin letter AE 
       "< \u00F8, \u00D8" +  // Latin letter o & O with stroke 
       "< \u00E5 = a\u030A," + // Latin letter a with ring above 
       " \u00C5 = A\u030A;" + // Latin letter A with ring above 
       " aa, AA"; 
RuleBasedCollator danishCollator = new RuleBasedCollator(danish); 

que luego se puede utilizar:

String test1 = "USA lover Grækenland støtte"; 
String test2 = "USA lover Graekenland støtte";   // note capital 'G' 
boolean result = danishCollator.equals(test1, test2); // true 

Si usted cree que la alzadora por defecto es incorrecta, es posible que desee report a bug. (Ha habido previamente similar bugs).

Actualización: Lo comprobé con una enciclopedia impresa en idioma danés.De hecho, hay palabras que comienzan con 'ae' (principalmente palabras de idiomas extranjeros, "aeróbicos", por ejemplo) que son no clasificados con (y por lo tanto no igual a) palabra que comienza con 'æ'. Entonces, aunque veo por qué querrías tratarlos como iguales en muchas circunstancias, no son estrictamente así.

Answer 2

Una forma de obtener reglas para una configuración regional específica es utilizar la función getRules. Sin embargo, en Android, esta función devuelve una cadena vacía.

RuleBasedCollator collTemp = (RuleBasedCollator) Collator 
      .getInstance(Locale.US); 
    String usRules = collTemp.getRules(); 


    //Save rules in a file 
    String rulesPath = "C:\\projects\\droid\\rules.txt"; 
    BufferedWriter out = new BufferedWriter 
      (new OutputStreamWriter(new FileOutputStream(rulesPath),"UTF-16")); 
    out.write(usRules); 
    out.close(); 

Estas reglas son las mismas que las utilizadas por la función de comparación.

if (collTemp.compare(target, str) < 0) 

Nota: Intenté tapar las reglas de mi JDK cadena aplicación de escritorio en Android RuleBasedCollator constructor, pero me da U_INVALID_FORMAT_ERROR (en Android solamente). Así que todavía estoy tratando de descubrir cómo obtener las reglas de EE. UU. En Android.