-
Notifications
You must be signed in to change notification settings - Fork 46
/
csort.pm
195 lines (177 loc) · 7.88 KB
/
csort.pm
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
# Modul pro asistenci s českým řazením textů, pokud nedůvěřujeme locale.
package csort;
use utf8; # říct Perlu, že konstantní řetězce ve zdrojáku jsou v UTF
INIT
{
# Definice abecedních pořádků. Jednotlivá písmena jsou oddělena znakem =
# nebo <, podle toho, zda se písmeno v prvním čtení považuje za rovnocenné
# předcházejícímu, nebo za větší než předcházející. Pokud jsou si dvě celá
# slova rovna, nastoupí druhé čtení a slova se porovnají přímo podle pořadí
# písmen v této definici, bez ohledu na znaménka, která je oddělují.
# Písmeno se může skládat i z více znaků (např. české "ch"). Znaky, které
# nejsou v definici obsaženy, se při třídění v prvním čtení ignorují, jako
# kdyby je slovo vůbec neobsahovalo.
my %order;
# Další ekvivalentní písmena.
my $a = join("=", map{chr(hex($_))}("C0", "C2", "C3", "C4", "C5", "C6", "E0", "E1", "E2", "E3", "E4", "E5", "E6", "100", "101", "102", "103", "104", "105", "1CD", "1CE"));
my $e = join("=", map{chr(hex($_))}("C8", "CA", "CB", "E8", "EA", "EB", "112", "113", "114", "115", "116", "117", "118", "119"));
my $g = join("=", map{chr(hex($_))}("11E", "11F"));
my $i = join("=", map{chr(hex($_))}("CC", "CE", "CF", "EC", "EE", "EF", "128", "129", "12A", "12B", "12C", "12D", "12E", "12F", "130", "131", "132", "133", "1CF", "1D0"));
my $n = join("=", map{chr(hex($_))}("D1", "F1", "143", "144", "145", "146", "149", "14A", "14B"));
my $o = join("=", map{chr(hex($_))}("D2", "D4", "D5", "D6", "D8", "F2", "F4", "F5", "F6", "F8", "14C", "14D", "14E", "14F", "150", "151", "152", "153", "1D1", "1D2"));
my $u = join("=", map{chr(hex($_))}("D9", "DB", "DC", "F9", "FB", "FC", "168", "169", "16A", "16B", "16C", "16D", "170", "171", "172", "173", "1D3", "1D4", "1D5", "1D6", "1D7", "1D8", "1D9", "1DA", "1DB", "1DC"));
# Cyrilice ABVG...EJuJa = x410-x42F velké a x430-x44F malé; uzbecké U je 40E,45E; kazašské K je 49A,49B
my @cyr;
for(my $i = hex("410"); $i<=hex("42F"); $i++)
{
my $pismeno = chr($i)."=".chr($i+32);
# kazašské K (Q)
if($i==hex("41A"))
{
$pismeno .= "=".chr(hex("49A"))."=".chr(hex("49B"));
}
# uzbecké U (O)
if($i==hex("423"))
{
$pismeno .= "=".chr(hex("40E"))."=".chr(hex("45E"));
}
push(@cyr, $pismeno);
}
my $cyr = join("<", @cyr);
$order{cs} = "0<1<2<3<4<5<6<7<8<9<a=A=á=Á=$a<b=B<c=C<č=Č=ç=Ç<d=D=ď=Ď<e=E=é=É=ě=Ě=$e<f=F<g=G=$g<h=H<ch=Ch=CH<i=I=í=Í=$i<j=J<k=K<l=L<m=M<n=N=ň=Ň=$n<o=O=ó=Ó=$o<p=P<q=Q<r=R<ř=Ř<s=S<š=Š=ś=Ś<t=T=ť=Ť<u=U=ú=Ú=ů=Ů=$u<v=V<w=W<x=X<y=Y=ý=Ý<z=Z<ž=Ž=ż=Ż<$cyr";
$order{en} = "0<1<2<3<4<5<6<7<8<9<a=A=á=Á=$a<b=B<c=C=č=Č=ç=Ç<d=D=ď=Ď<e=E=é=É=ě=Ě=$e<f=F<g=G=$g<h=H<i=I=í=Í=$i<j=J<k=K<l=L<m=M<n=N=ň=Ň=$n<o=O=ó=Ó=$o<p=P<q=Q<r=R=ř=Ř<s=S=š=Š=ś=Ś<t=T=ť=Ť<u=U=ú=Ú=ů=Ů=$u<v=V<w=W<x=X<y=Y=ý=Ý<z=Z=ž=Ž=ż=Ż";
# Předzpracované popisy řazení uložit do globálního hashe.
while(my ($klic, $hodnota) = each(%order))
{
$popis{$klic} = vytvorit_tabulku_tridicich_hodnot($hodnota);
}
# Výchozí jazyk je čeština.
$popis{""} = $popis{cs};
}
#------------------------------------------------------------------------------
# Převede lidsky čitelný popis abecedního řazení v určitém jazyce na číselné
# třídící hodnoty. Vytvoří i další jazykově závislé pomůcky, např. regulární
# výraz pro nalezení písmene ve slově.
#------------------------------------------------------------------------------
sub vytvorit_tabulku_tridicich_hodnot
{
my $order = shift; # textový popis řazení v daném jazyce
my %popis; # výstupní hash
my @order = split(//, $order);
my @pismena = split(/[=<]/, $order);
my $i_pismena = 0;
my $aktualni_ordval = 1;
for(my $i = 0; $i<=$#order; $i++)
{
if($order[$i] eq "<")
{
$aktualni_ordval++;
}
elsif($order[$i] ne "=")
{
$popis{ordval1}{$pismena[$i_pismena]} = $aktualni_ordval;
$popis{ordval2}{$pismena[$i_pismena]} = $i_pismena;
$i_pismena++;
while($i<$#order && $order[$i+1] !~ m/[<=]/)
{
$i++;
}
}
}
# Vytvořit seznam písmen seřazený sestupně podle počtu znaků.
# (Ve slově se přednostně hledají písmena skládající se z více znaků.)
@pismena = sort {length($b) <=> length($a)} @pismena;
# regulární výraz pro identifikaci známého písmene
$popis{rv_pismena} = join("|", @pismena);
return \%popis;
}
#------------------------------------------------------------------------------
# Rozloží vstup na písmena (případně víceznaková).
# Zahodí znaky, které nejsou písmeny.
#------------------------------------------------------------------------------
sub rozlozit_na_pismena
{
my $vstup = shift;
my $rv_pismena = shift;
my @vysledek;
while($vstup ne "")
{
my $pismeno;
my $zbytek;
if($vstup =~ m/^($rv_pismena)(.*)/)
{
$pismeno = $1;
$zbytek = $2;
push(@vysledek, $pismeno);
}
elsif($vstup =~ m/^(\w)(.*)/)
{
# Kvůli Unicodu: Něco, s čím naše třídění nepočítá, ale podle Perlu
# je to písmeno, nezahodit, nýbrž taky uložit.
$pismeno = $1;
$zbytek = $2;
push(@vysledek, $pismeno);
}
else
{
$vstup =~ m/^.(.*)/;
$zbytek = $1;
}
$vstup = $zbytek;
}
# print join("-", @vysledek) . "\n";
return @vysledek;
}
#------------------------------------------------------------------------------
# Vytvoří podle řetězce tzv. řetězec třídících hodnot. Ten sestává pouze
# z číslic. Je zaručené, že porovnání dvou takovýchto řetězců odpovídá
# porovnání původních řetězců podle české abecedy.
#------------------------------------------------------------------------------
sub zjistit_tridici_hodnoty
{
my $ret = shift;
my $jazyk = shift; # kód jazyka, jehož řazení se má použít
my $ordval1 = $popis{$jazyk}{ordval1};
my $ordval2 = $popis{$jazyk}{ordval2};
my $rv_pismena = $popis{$jazyk}{rv_pismena};
my @retpis = rozlozit_na_pismena($ret, $rv_pismena);
my $vysledek;
my $i;
for($i = 0; $i<=$#retpis; $i++)
{
# DZ 19.5.2005: Zatím nemám jasno, jak řešit Unicodové znaky. Není možné
# zapsat do třídícího řetězce celý Unicode a nebylo by to ani rozumné,
# protože u většiny písmen bude pořadí kopírovat pořadí Unicodu. Zatím
# to tedy udělám tak, že všechny znaky s kódem od 500 nahoru (zhruba hranice
# latinky) se budou považovat za písmena a dostanou třídící hodnotu, která
# bude rovna jejich unikódu.
if($ordval1->{$retpis[$i]} eq "" && ord($retpis[$i])>=500)
{
$ordval1->{$retpis[$i]} = ord($retpis[$i]);
}
$vysledek = $vysledek . sprintf("%05d", $ordval1->{$retpis[$i]});
}
$vysledek = $vysledek . " ";
for($i = 0; $i<=$#retpis; $i++)
{
$vysledek = $vysledek . sprintf("%02d", $ordval2->{$retpis[$i]});
}
$vysledek = $vysledek . " $ret";
return $vysledek;
}
#------------------------------------------------------------------------------
# Setřídí pole řetězcově podle české abecedy.
#------------------------------------------------------------------------------
sub csort
{
my @pole = @_;
# Zjistit třídící hodnoty pro všechny prvky pole.
my %trid;
foreach my $prvek (@pole)
{
$trid{$prvek} = zjistit_tridici_hodnoty($prvek, 'cs');
}
# Setřídit pole a výsledek vrátit.
return sort {$trid{$a} cmp $trid{$b}} @pole;
}
1;