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：
|
1 2 3 4 5 |
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
|
1 2 3 4 5 6 7 8 |
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
|
1 2 3 4 5 6 7 8 9 10 11 |
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
|
1 2 3 4 5 6 7 8 9 10 |
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
|
1 2 3 4 5 6 7 8 9 |
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
|
1 2 3 4 5 |
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
|
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 |
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
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 |
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"
|
1 2 |
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
|
1 2 3 4 5 6 7 8 9 10 11 12 13 |
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
|
1 2 |
#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服务器之家。如有错误或未考虑完全的地方，望不吝赐教。
原文链接：https://my.oschina.net/Kenyon/blog/183063
查看更多关于PostgreSQL的中文拼音排序案例的详细内容...