欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

PostgreSQL的中文拼音排序案例

程序员文章站 2022-06-22 23:07:19
前一段时间开发人员咨询,说postgresql里面想根据一个字段做中文的拼音排序,但是不得其解环境:os:centos 6.3db:postgresql 9.2.4table: tbl_kenyon场...

前一段时间开发人员咨询,说postgresql里面想根据一个字段做中文的拼音排序,但是不得其解

环境:

os:centos 6.3

db:postgresql 9.2.4

table: tbl_kenyon

场景:

postgres=# \d tbl_kenyon 
  table "public.tbl_kenyon"
 column | type |  modifiers  
--------+------+---------------
 vname | text |

--使用排序后的结果,不是很理想

postgres=# select vname from tbl_kenyon order by vname;
 vname 
-------
 上海
 北京
 杭州
 浙江
(4 rows)

说明:

postgresql的排序除了受到数据库的编码影响外,还有一个初始化参数是locale也会影响(initdb),,通常我的选择是c,这可以让postgres数据库通过strcmp()这个函数来比较字符串,而不是strcoll()函数。

这个参数可以在数据库里查看,如

postgres=# \l
                list of databases
   name    | owner  | encoding | collate | ctype |  access privileges  
-----------------+----------+----------+---------+-------+-----------------------
 dkenyon     | u_kenyon | utf8   | c    | c   | 
 postgres    | postgres | utf8   | c    | c   | 
 template0    | postgres | utf8   | c    | c   | =c/postgres     +
         |     |     |     |    | postgres=ctc/postgres
 template1    | postgres | utf8   | c    | c   | =c/postgres     +
         |     |     |     |    | postgres=ctc/postgres
(6 rows)

--简体中文在系统表里的支持

postgres=# select collname,collcollate,collctype,b.nspname,c.rolname as collowner 
postgres-# from pg_collation a,pg_namespace b,pg_authid c 
postgres-# where a.collnamespace = b.oid and a.collowner = c.oid and lower(collname) like '%zh_cn%';
  collname  | collcollate | collctype  | nspname  | collowner 
--------------+--------------+--------------+------------+-----------
 zh_cn    | zh_cn    | zh_cn    | pg_catalog | postgres
 zh_cn    | zh_cn.utf8  | zh_cn.utf8  | pg_catalog | postgres
 zh_cn.gb2312 | zh_cn.gb2312 | zh_cn.gb2312 | pg_catalog | postgres
 zh_cn.utf8  | zh_cn.utf8  | zh_cn.utf8  | pg_catalog | postgres
(4 rows)

因为初始化时选择的locale是c,所以数据库的默认排序也是c,要想字段内容按照中文拼音排序,需要将utf8格式存储的内容转换为gbk方式。

解决办法:

1.转换字段的方式,加个convert_to前缀函数

postgres=# select vname from tbl_kenyon order by convert_to(vname,'gbk');
 vname 
 
-------
 北京
 杭州
 上海
 浙江
(4 rows)

--convert_to函数输入参数是text形式,输出编码是bytea形式,是将字符转换为目标编码的函数,如

postgres=# select convert_to('浙江','utf8'),('浙江','gbk');
  convert_to  |  row   
----------------+------------
 \xe6b599e6b19f | (浙江,gbk)
(1 row)

2.列指定zh_cn的方式存储

postgres=# alter table tbl_kenyon add cname text collate "zh_cn";
alter table
postgres=# \d tbl_kenyon 
  table "public.tbl_kenyon"
 column | type |  modifiers  
--------+------+---------------
 vname | text | 
 cname | text | collate zh_cn
postgres=# select * from tbl_kenyon;
 vname | cname 
-------+-------
 浙江 | 浙江
 杭州 | 杭州
 上海 | 上海
 北京 | 北京
(4 rows)
postgres=# select * from tbl_kenyon order by vname;
 vname | cname 
-------+-------
 上海 | 上海
 北京 | 北京
 杭州 | 杭州
 浙江 | 浙江
(4 rows)
postgres=# select * from tbl_kenyon order by cname;
 vname | cname 
-------+-------
 北京 | 北京
 杭州 | 杭州
 上海 | 上海
 浙江 | 浙江
(4 rows)

3.查询时指定collate

postgres=# select * from tbl_kenyon order by vname collate "c";
 vname | cname 
-------+-------
 上海 | 上海
 北京 | 北京
 杭州 | 杭州
 浙江 | 浙江
(4 rows)
postgres=# select * from tbl_kenyon order by vname collate "zh_cn";
 vname | cname 
-------+-------
 北京 | 北京
 杭州 | 杭州
 上海 | 上海
 浙江 | 浙江
(4 rows)

其他问题:

1.在用了方法一的convert_to函数转换一段时间后,开发告诉我说有异常,报错 character with byte sequence 0xc2 0xae in encoding "utf8" has no equivalent in encoding "gbk"

error querying database. cause: org.postgresql.util.psqlexception: error: character with byte sequence 0xc2 0xae in
 encoding "utf8" has no equivalent in encoding "gbk"

排查了一下,发现数据库里存了一些比较奇怪的字符导致的,比如mircle® city,niwhite®town。后对该表重建了一下,用方法二解决,所以convert_to函数使用对一些奇怪的字符转换时需要注意。

2.对于多音字,仍然会产生一定的歧义,比如重庆,会按z去排序

上述办法能满足大部分汉字的拼音排序,但仍有一些不足。比较理想的解决办法是对这类基础数据录入时就指定拼音规则,或者数据库里存一份数据的拼音字典来关联使用。

其他:

使用zh_cn存储时测试字段大小,未测试取值速度

postgres=# insert into tbl_kenyon select repeat('浙江gdooasashome爱你',5000), repeat('浙江gdooasashome爱你',5000) ;
insert 0 1
postgres=# insert into tbl_kenyon select repeat('浙江gdooasashome爱你',50000), repeat('浙江gdooasashome爱你',50000) ;
insert 0 1
postgres=# insert into tbl_kenyon select repeat('浙江gdooasashome爱你',100000), repeat('浙江gdooasashome爱你',100000) ;
insert 0 1
postgres=# select pg_column_size(cname),pg_column_size(vname) from tbl_kenyon ;
 pg_column_size | pg_column_size 
----------------+----------------
      1410 |      1406
     13769 |     13769
     27506 |     27506
(3 rows)

存储差异并不大

补充

#高版本可能不支持,或者语法不对?
select * from store order by storename collate 'zh_cn';

以上为个人经验,希望能给大家一个参考,也希望大家多多支持。如有错误或未考虑完全的地方,望不吝赐教。