unicode - 为什么 ICU4J 不匹配 UTF-8 排序顺序？

Question

我很难理解 unicode 排序顺序。

当我Collator.getInstance(Locale.ENGLISH).compare("_", "#")在 ICU4J 55.1 下运行时，我得到一个返回值，-1表明它_在#.

但是，查看http://www.utf8-chartable.de/unicode-utf8-table.pl?utf8=dec我看到#(U+0023) 在_(U+005F) 之前。为什么 ICU4J 返回值-1？

Answer 1

首先，UTF-8 只是一种编码。它指定如何物理存储 Unicode 代码点，但不处理排序、比较等。

现在，您链接到的页面以数字代码点顺序显示所有内容。如果使用二进制排序规则，这就是排序的顺序（在 SQL Server 中，这将是名称以_BINand结尾的排序规则_BIN2）。但是非二进制排序要复杂得多。此处描述了规则：Unicode 排序算法 (UCA)。

基本规则可以在这里找到：http ://www.unicode.org/repos/cldr/tags/release-28/common/uca/allkeys_CLDR.txt

表明：

005F  ; [*010A.0020.0002] # LOW LINE
...
0023  ; [*0290.0020.0002] # NUMBER SIGN

请记住，任何语言环境/文化都可以覆盖这些基本规则，这一点非常重要。因此，虽然上面提到的几行解释了这种特定情况，但其他情况需要检查http://www.unicode.org/repos/cldr/tags/release-28/common/collat​​ion/以查看是否有任何语言环境- 特定的覆盖。

Answer 2

将 Mark Ransom 的评论转换为答案：

• 单个字符的排序基于与代码点编号关系不大的排序规则表。请参阅：http ://www.unicode.org/reports/tr10/#Default_Unicode_Collat​​ion_Element_Table
• 如果您点击该页面上的第一个链接，它会导致allkeys.txt提供默认排序规则。
• 特别_是 is 005F ; [*020B.0020.0002] # LOW LINEwhile #is 0023 ; [*0391.0020.0002] # NUMBER SIGN。请注意，排序规则编号_低于 的编号#。