¿Cómo se clasifican los caracteres CJK (asiáticos) en Perl, o con cualquier otro lenguaje de programación?

Question

¿Cómo se clasifican los caracteres chinos, japoneses y coreanos (CJK) en Perl?

Por lo que puedo decir, la clasificación de los caracteres CJK por trazo, luego por radical, parece ser la forma en que se ordenan estos idiomas. También hay algunos métodos que ordenan por sonidos, pero esto parece menos común.

He intentado usar:

perl -e 'print join(" ", sort qw(工 然 一 人 三 古 二)), "\n";' 
# Prints: 一 三 二 人 古 工 然 which is incorrect 

Y he intentado usar Unicode :: Intercalar de CPAN, pero dice:

Por defecto, CJC Unificado Ideographs son ordenados en Orden de punto de código Unicode ...

Si pudiera obtener una base de datos del recuento de trazos por carácter, podría ordenar fácilmente todos los caracteres, pero esto d Parece que no viene con Perl ni está encapsulado en ningún módulo que pueda encontrar.

Si sabe cómo clasificar CJK en otros idiomas, sería útil mencionarlo en una respuesta a esta pregunta.

Answer 1

Consulte TR38 para ver los detalles sucios y las fundas de esquina. No es tan fácil como crees y como se ve esta muestra de código.

use 5.010; 
use utf8; 
use Encode; 
use Unicode::Unihan; 
my $u = Unicode::Unihan->new; 

say encode_utf8 sprintf "Character $_ has the radical #%s and %d residual strokes." , split /[.]/, $u->RSUnicode($_) for qw(工 然 一 人 三 古 二); 
__END__ 
Character 工 has the radical #48 and 0 residual strokes. 
Character 然 has the radical #86 and 8 residual strokes. 
Character 一 has the radical #1 and 0 residual strokes. 
Character 人 has the radical #9 and 0 residual strokes. 
Character 三 has the radical #1 and 2 residual strokes. 
Character 古 has the radical #30 and 2 residual strokes. 
Character 二 has the radical #7 and 0 residual strokes. 

Ver http://en.wikipedia.org/wiki/List_of_Kangxi_radicals para una asignación de número ordinal radical al número de trazos.

Answer 2

Un directorio telefónico japonés está ordenado en una base fonética (intercalación Gojûon). Sin embargo, el orden de los caracteres kanji no se basa en la fonética, ya sea en Unicode, JIS, S-JIS o EUC. Solo kana se basan en el orden fonético. ¡Esto significa que no puedes cotejar significativamente sin conversión fonética!

Por ejemplo:

a) kanji:   東京駅 
b) kana converted: とうきょうえき 
c) romanisation: tôkyô eki 

Con b) oc), se puede hacer una especie significativa. Pero no puedes hacer con solo a). Por supuesto, puede ejecutar la función de ordenación simple, pero no es significativa para el japonés.

Answer 3

Mira mi rubygem aPinyin, que convertirá un carácter chino codificado en UTF-8 en su PinYin (pronunciación). Y luego, se podría hacer un tipo de cosas en los Pinyin fácilmente.

Simplemente, gem install toPinyin

require 'toPinyin' 

words = " 
人 
没有 
理想 
跟 
咸鱼 
有 
什么 
区别 
".split("\n") 

words.sort! {|a ,b| a.pinyin.join <=> b.pinyin.join } 

https://github.com/pierrchen/toPinyin