Porovnanie stringov s diakritikou v javascripte

Dnes som od zákazníka dostal zadanie napísať v javascripte metodu pre zotriedenie textov. Čo by bola celkom jednoduchá úloha, ak by išlo anglické texty. No bohužiaľ, naša slovenská (a takisto česká) abeceda má jednu nechutnú vec: diakritiku.

Ak sa teda snažíte zotriediť tieto texty:

• "cudzí", "čučoriedka", "ťava", "tŕň", "trstina"

dostanete pri štandartnom porovnávaní textov túto postupnosť:

• "cudzí", "trstina", "tŕň", "čučoriedka", "ťava"

A to nie je práve najlepšie usporiadanie (štandartne su prvé veľké písmená bez diakritiky, nasledované malými písmenami bez diakritiky, veľké písmená s diakritikou a na záver malé písmená s diakritikou).

Klasické porovnanie teda nie je dostačujúce. Skúšal som teda nájsť niečo vhodnejšie a narazil som na celkom peknú metódu:

• textA.localeCompare(textB)

S jej použitím som dosiahol o trošku lepší, nie však dostačujúci výsledok:

• "čučoriedka", "cudzí", "ťava", "tŕň", "trstina"

Problém tejto metódy je že diakritiku úplne odignoruje a teda nikdy nedá znak s diakritikou za znak bez diakritiky, ale tieto znaky majú v porovnaní identické postavenie (čo spôsobilo, že znak 'č' sa ocitol pred znakom 'c', znak 'ť' pred znakom 't' a znak 'ŕ' pred znakom 'r').

K tomu sa ešte pridali problémy s kapitálkami. Skúšal som nájsť nejaké vhodné riešenie na internete bohužiaľ žiadne nebolo dostačujúce (plus nemal som chuť vymenovávať všetky znaky s diakritikou - som detailista a chcel som aby to fungovalo pre všetky jazyky odvodené z latinskej abecedy).

A tak som dospel k niečomu, čo normálne robia všetci nadšený programátori (a čo sa štandartne považuje za chybu). Napíšem si túto metódu sám. A toto je čo nakoniec vzniklo:

   function diacritiqueComparison(textA, textB) {
       var result = 0;

       var caseDiff = 0; // difference in case sensitiveness
       var minLength = Math.min(textA.length, textB.length);
       for (var i = 0; i < minLength; i++) {
             var charA = textA.charAt(i);
             var charB = textB.charAt(i);
             var lowerA = charA.toLocaleLowerCase();
             var lowerB = charB.toLocaleLowerCase();
 
             result = lowerA.localeCompare(lowerB);
             if (result == 0 && lowerA != lowerB) {
                 result = (lowerA < lowerB) ? -1 : 1;
             }
 
             if (result == 0) {
                 if (caseDiff == 0 && charA != charB) { // first most left difference in case is the only important one
                     caseDiff = (charA < charB) ? -1 : 1;
                 }
             } else {
                 break;
             }
         }
 
         if (result == 0) {
             if (textA.length != textB.length) {
                 result = (textA.length < textB.length) ? -1 : 1;
             } else {
                 result = caseDiff; // if the strings are identical let the case sensitive difference decide
             }
         }
 
         return result;
     } 

Po jej použití som už dosahoval celkom uspokojivé výsledky:

• "cudzí", "čučoriedka", "trstina", "tŕň", "ťava"

Dodatočná poznámka z nasledujúceho dňa: bodaj by porazilo celý ten javascript. Metóda localeCompare funguje na každom prehliadači inak, dokonca sa mi zdá, že je aj rozdiel medzi IE verziami (vďaka čomu som si ešte aj túto metódu musel naprogramovať sám - a áno, nakoniec som vymenovával znaky s diakritikou :(). Kde toto všetko skončí.