为什么ICU4J不匹配UTF-8排序顺序？

Question

我很难理解unicode排序顺序。

在Collator.getInstance(Locale.ENGLISH).compare("_", "#") 55.1下运行ICU4J时，会得到-1的返回值，指示_位于#之前。

然而，看看http://www.utf8-chartable.de/unicode-utf8-table.pl?utf8=dec，我发现# (U+0023)先于_ (U+005F)。为什么ICU4J要返回-1的值

Answer 1

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

现在，链接到的页面以数字代码点的顺序显示所有内容。如果使用二进制排序规则(在Server中，这是以_BIN和_BIN2结尾的排序规则)，则按顺序排序。但非二元排序要复杂得多。规则在这里描述：Unicode排序算法(UCA)。

基本规则在这里找到：CLDR.txt

它显示：

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

记住，任何地区/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代码解释了这种特定情况，但其他情况下需要检查http://www.unicode.org/repos/cldr/tags/release-28/common/collation/，以确定是否存在特定于地区的重写。

Answer 2

将马克·兰瑟姆的评论转化为一个答案：

• 单个字符的排序是基于排序表的，而排序表与码点数的关系不大。请参阅：表格
• 如果您遵循页面上的第一个链接，它将导致allkeys.txt，它给出了默认的排序规则顺序。
• 特别是，_是005F ; [*020B.0020.0002] # LOW LINE，而#是0023 ; [*0391.0020.0002] # NUMBER SIGN。请注意，_的排序规则数字低于#的排序规则编号。