中文排序的問題

中文排序一直有點頭疼。

Big-5 碼是按筆劃排，但是次常用字會排在後面，也就是說筆劃少的次常用字，反而會排在筆劃多的常用字後面，例如『万』會排在『籲』後面去。

Unicode 則是依部首排，部首相同的才依筆劃數來排，這也不符合我們的需求。例如『正』會排在『果』後面去。 我們一般文書處理上，需要的是依筆畫數來排序。

這在什麼地方要用到呢？就是書籍索引及參考文獻要用到。

我目前已依 Unihan.txt 整理出各漢字的筆劃數（但不完整，只有 27921 個字的統計資料），目前可以針對漢字求得其筆劃後用來排序，效果還可以，只是我用 ruby + sqlite 來寫，速度上不是很快就是了。不知道大家有沒有現成的 solution？

我主要是要用在 makeindex/mkindex 的地方。

我暫時把一些不成熟（有的部份還沒有完成，有的部份寫得很爛）的小工具放在 CLE，有興趣的朋友，可以先玩看看：
ftp://cle.linux.org.tw/tex/cjk/tools/index

你要先安裝 ruby, rubygem-sqlite3(當然要先安裝 sqlite3), rubygem, ruby-iconv。

那個 cstrokes.db，是由 builddb.rb 從 Unihan.txt 來建立的，你也可以自行建立。adddb.rb/deldb.rb 可增刪這個資料庫內容。資料庫的結構可以參考原始碼的內容。放心，我是程式低能兒，不會寫複雜的東西。

strokes.rb 可以計算某個字的筆劃數。chsort.rb 可以做中文排序（按筆劃數來排）。當然索引的部份尚需努力。

bg5-sortb5.txt/bg5-sortu8.txt 是一個排序的例子。你可以和系統上的 sort 比較一下排序的結果。

ps.由於我針對的是 LaTeX CJK 的中文索引，所以，將來完成後，可能無法用在一般的排序上，所以，目前先暫時放出來，大家來吐嘈一下。

之前聽說「剎那工作坊」有個七萬字的筆劃組字字庫，據說來源是中研院。如果說License沒有問題的話，應該可以很容易轉出每個漢字的筆劃數，就可以做排序了。

有問題的，可能是「部件」並非是一定一筆畫。所以，可能還是需要其他的統計資料才行。

我很早（應該近十年或出頭？）就有在接觸那些資料，但始終搞不清楚授權，所以，最後還是自己在土法練鋼。

不知道這個有沒有用?

http://bbs.ecstart.com/viewthread.php?tid=15553&extra=page%3D1

看起來次、常用字的筆劃數，好像還是可以由 table 中查出來。

針對 big-5 碼是有用，但目前應付的是整個 Unicode 的漢字，不容易找出好的規則來使用。
 

其實 index 的問題，終極辦法是去使用 xindy。

不過這個程式有點龐大，而且是使用我不熟悉的  CLISP，所以，我目前的做法是在抄捷徑，土法練鋼。