Программирование на языке Ruby
Программирование на языке Ruby читать книгу онлайн
Внимание! Книга может содержать контент только для совершеннолетних. Для несовершеннолетних чтение данного контента СТРОГО ЗАПРЕЩЕНО! Если в книге присутствует наличие пропаганды ЛГБТ и другого, запрещенного контента - просьба написать на почту [email protected] для удаления материала
Если библиотека Unicode установлена, то для выполнения любой нормализации достаточно вызвать один из методов
Unicode.normalize_xrequire 'Unicode'sword_kd = Unicode.normalize_KD(sword)sword_kd.scan(/./) # ["e", "'", "p", "e", "'", "e"]sword_kc = Unicode.normalize_KC(sword)sword_kc.scan(/./) # [ "é", "p", "é", "e"]4.2.5. Упорядочение строк
Обычно, хотя и не всегда, строки упорядочиваются по алфавиту или сходным образом. Упорядочение тесно связано с нормализацией: в обоих случаях применяются одни и те же идеи и библиотеки.
Предположим, например, что мы хотим отсортировать такой массив строк:
eacute = [0x00Е9].pack('U')acute = [0x0301].pack('U')array = ["epicurian", "#{eacute}p#{eacute}e", "e#{acute}lan"]# ["epicurian", "éрéе", "élan"]Что произойдет, если передать этот массив методу
Array#sortarray.sort # ["epicurian", "élan", "éрéе"]He годится!.. Попытаемся понять, почему так получилось. Сортируемые строки Ruby сравнивает побайтно. Чтобы убедиться в этом, достаточно взглянуть на первые несколько байтов каждой строки:
array.map {|item| "#{item}: #{item.unpack('С*')[0,3].join(',')}" }# ["epicurian: 101,112,105", "éрéе: 195,169,112",# "élan: 101,204,129"]Тут возникают две трудности. Во-первых, символы UTF-8, не имеющие аналога в кодировке ASCII, начинаются с байта, имеющего большое числовое значение, а стало быть, после сортировки неизбежно окажутся после ASCII-символов. Во-вторых, составные латинские символы оказываются раньше монолитных из-за первого ASCII-байта.
В системные библиотеки обычно включают функции сортировки, которые сравнивают строки в соответствии с правилами конкретного языка. В библиотеке, поставляемой вместе с компилятором языка С, для этого служат функции
strxfrmstrcollИмейте в виду, что проблема возникает даже в случае кодировки ASCII. При сортировке ASCII-строк в Ruby производится прямое лексикографическое сравнение, однако в реальной жизни (например, если мы хотим отсортировать по названиям книги из библиотеки Конгресса США) есть много правил, которые не учитываются при таком упрощенном подходе.
Для упорядочения строк можно создать промежуточные строки и отсортировать именно их. Как конкретно это сделать, зависит от предъявляемых требований и языка; универсального алгоритма не существует.
Предположим, что список обрабатывается согласно правилам английского языка, причем диакритические знаки игнорируются. Первым делом нужно определить методику трансформации. Мы приведем все символы к составному виду, а затем исключим диакритические знаки, оставив только базовые символы. Для модифицирующих диакритических знаков в Unicode выделен диапазон от
U+0300U+036Fdef transform(str) Unicode.normalize_KD(str).unpack('U*').select{ |cp| cp < 0x0300 || cp > 0x036F }.pack('U*')endarray.map{|x| transform(x) } # ["epicurian", "epee", "elan"]Затем создадим хэшированную таблицу, чтобы установить соответствие между исходными и трансформированными строками, и воспользуемся ей для сортировки исходных строк. Наличие такой таблицы позволяет провести трансформацию только один раз.
def collate(array) transformations = array.inject({}) do |hash, item| hash[item] = yield item hash end array.sort_by {|x| transformations[x] }endcollate(array) {|a| transform(a) } # ["élan", "épée", "epicurian"]Уже лучше, но мы еще не учли прописные буквы и эквивалентность символов. Возьмем для примера немецкий язык.
На самом деле в немецком языке есть несколько способов упорядочения; мы остановимся на стандарте DIN-2 (как в телефонном справочнике). Согласно этому стандарту, символ ß (эсцет) эквивалентен ss, а умляут эквивалентен букве е (то есть ö — то же самое, что ое и т.д.).
Наш метод трансформации должен учитывать эти детали. Снова начнем с декомпозиции составных символов. Например, модифицирующая трема (умляут) представляется кодовой позицией
U+0308def transform_de(str) decomposed = Unicode.normalize_KD(str).downcase decomposed.gsub!('ß', 'ss') decomposed.gsub([0x0308].pack('U'), 'e')endarray = ["Straße", "öffnen"]array.map {|x| transform_de(x) } # ["strasse", "oeffnen"]He для всех языков годится такой прямолинейный подход. Например, в испанском между буквами n и о есть еще буква ñ. Однако, если каким-то образом сдвинуть оставшиеся буквы, то мы справимся и с этой проблемой. В листинге 4.1 для упрощения обработки нормализация применена к монолитным символам. Кроме того, мы облегчили себе жизнь, игнорируя различия между буквами с диакритическими знаками и без них.
def map_table(list) table = {} list.each_with_index do |item, i| item.split(',').each do |subitem| table[Unicode, normalize_KC(subitem)] = (?a + i).chr end end tableend
