Naar de inhoud
OneKitly

Tekst sorteren is niet één bewerking: vier ordeningen die zich allemaal alfabetisch noemen

Gepubliceerd op 29-5-2025 · 12 min leestijd · Tekst- & taaltools

Daniel Okonkwo

Daniel Okonkwo — Front-enddeveloper en techredacteur bij OneKitly

Webprestaties · Bestandsformaten

Getoetst aan 5 bronnen

Profiel bekijken →
Kort gezegd

„Alfabetisch” noemt minstens vier verschillende ordeningen, en op gewone invoer zijn ze het oneens. Het standaard-.sort() van JavaScript vergelijkt UTF-16-code-eenheden, dus komt ["Zebra","apple","Banana","zebra"] eruit als Banana, Zebra, apple, zebra — elke hoofdletter vóór elke kleine letter — en komt ["item10","item9","item2"] eruit als item10, item2, item9, want "1" is een kleiner teken dan "9". Vraag in plaats daarvan om een Intl.Collator met numeric: true en dezelfde drie tekenreeksen komen eruit als item2, item9, item10. Collatie per locale is een derde ordening: de Duitse lijst ["Öl","Ohr","Zebra","Ähre"] sorteert onder de als Ähre, Ohr, Öl, Zebra, en onder sv als Ohr, Zebra, Ähre, Öl, want ä en ö staan in het Duits naast a en o en in het Zweeds na z — en het standaard-.sort() levert voor een Duitse lijst toevallig het Zweedse antwoord. Een vierde is de collatievariant: de-u-co-phonebk, de Duitse telefoonboekordening, behandelt ö als oe en zet Öl vóór Ohr. Array.prototype.sort moet sinds ES2019 stabiel zijn, dus houden gelijke sleutels hun invoerorde. Voor de lezer zichtbare tekst sorteren zonder een locale te noemen is een fout en geen kortere weg.

Advertentie

Ordening op code-eenheid, natuurlijke ordening en collatie per locale, uitgevoerd op dezelfde lijst in Node, met de uitvoer afgedrukt. Waarom Zebra vóór apple komt, waarom item10 vóór item9 komt, en waarom ä in het Duits naast a staat en in het Zweeds na z.

Vier dingen die alfabetisch worden genoemd

Een sorteerknop biedt één optie en laat doorschemeren dat er één antwoord is. Er zijn er minstens vier, en het zijn geen verfijningen van elkaar — het zijn verschillende ordeningen die uit dezelfde invoer verschillende lijsten teruggeven. Ordening op code-eenheid vergelijkt de numerieke waarden van de UTF-16-eenheden waaruit een tekenreeks bestaat. Natuurlijke ordening leest reeksen cijfers als getallen. Collatie per locale past de eigen regels van een taal toe over welke letters als dezelfde letter gelden. Collatievarianten splitsen één taal daarna in meerdere verdedigbare ordes, want Duitse woordenboeken en Duitse telefoonboeken zijn het nooit eens geweest.

Alles hieronder is uitgevoerd en niet uit het hoofd gehaald. Elke lijst is precies afgedrukt zoals Node 26.3 haar heeft teruggegeven, en de scripts zijn klein genoeg om over te typen: een array, een sortering, een console.log.

Advertentie

Ordening op code-eenheid: wat .sort() werkelijk doet

Zonder comparator aangeroepen zet Array.prototype.sort elk element om naar een tekenreeks en vergelijkt die tekenreeksen per UTF-16-code-eenheid. Dat is een gedocumenteerde regel en geen ongeluk, en het levert twee zichtbare symptomen op. Hoofdletters bezetten het bereik 0x41–0x5A en kleine letters 0x61–0x7A, dus sorteert elke hoofdletter vóór elke kleine letter: ["Zebra","apple","Banana","zebra"] geeft Banana, Zebra, apple, zebra terug. En cijfers worden als tekens vergeleken, dus geeft ["item10","item9","item2"] item10, item2, item9 terug — "1" is 0x31 en "9" is 0x39, en de vergelijking stopt bij het eerste verschil.

Het derde symptoom is het symptoom dat de lezer bereikt. Elke letter met een diakritisch teken woont boven 0x7A, dus duwt ordening op code-eenheid het hele alfabet met accenten achter de z. ["Öl","Ohr","Zebra","Ähre"] geeft Ohr, Zebra, Ähre, Öl terug. ["ñu","nube","niño","zorro"] geeft niño, nube, zorro, ñu terug. ["ação","acordo","água","avô"] geeft acordo, avô, ação, água terug. ["étage","effet","zèbre","Île"] geeft effet, zèbre, Île, étage terug. Vier talen, vier verkeerde antwoorden, één regel code.

Ordening op code-eenheid is niet nutteloos. Ze is totaal, doorzichtig, snel — 20.000 woorden in 6 ms gesorteerd in de meting hieronder — en identiek in elke runtime en elke locale, en dat maakt haar de juiste keuze voor alles wat een machine leest: indexsleutels, buckets voor deduplicatie, cache-identificaties, canonieke serialisaties. Ze is alleen verkeerd als de uitvoer voor een mens is bedoeld.

Natuurlijke ordening: cijfers als getallen lezen

Natuurlijke ordening — de ordening die een bestandsbeheerder gebruikt — behandelt een reeks cijfers binnen een tekenreeks als één getal in plaats van als een rij tekens. In JavaScript is het één optie: new Intl.Collator("en", { numeric: true }). Op ["item10","item9","item2"] geeft ze item2, item9, item10 terug, en op een langere lijst ["item2","item9","item10","item100","item20"] geeft ze item2, item9, item10, item20, item100 terug, waar het standaard-.sort() item10, item100, item2, item20, item9 teruggeeft.

Twee grenzen zijn het kennen waard voordat je haar overal aanzet. Numerieke collatie is een gemak voor de weergave en geen rekenkunde: ze vergelijkt reeksen cijfers, dus heeft ze meningen over "v1.10" tegen "v1.9" die een parser voor semantische versies niet zou delen, en ze zegt niets nuttigs over tekens, decimale scheidingstekens of duizendscheidingstekens. En ze verandert het antwoord voor sleutels die alleen maar toevallig cijfers bevatten, zoals productcodes waarin 0090 en 90 verschillende artikelen zijn. Zet haar aan voor lijsten die een mens doorneemt, laat haar uit voor identificaties.

Collatie per locale: Duits tegen Zweeds

Collatie per locale is het klassieke geval, en Duits tegen Zweeds is het klassieke paar. Neem ["Öl","Ohr","Zebra","Ähre"]. Onder new Intl.Collator("de") sorteert die als Ähre, Ohr, Öl, Zebra: ä is een variant van a, ö een variant van o, en het diakritische teken breekt alleen gelijkspel. Onder new Intl.Collator("sv") sorteren dezelfde vier tekenreeksen als Ohr, Zebra, Ähre, Öl: in het Zweeds zijn å, ä en ö de laatste drie letters van het alfabet, na de z. Geen van beide is een fout. Het zijn twee talen met twee alfabetten, en de lijst moet er een kiezen.

En nu het ongemakkelijke deel: voor deze lijst geeft het standaard-.sort() Ohr, Zebra, Ähre, Öl terug — teken voor teken het Zweedse antwoord. Een programma dat de locale oversloeg, bracht geen „geen ordening in het bijzonder” voort. Het bracht een bepaalde vreemde ordening voort, stil, en het blijft die voortbrengen voor elke Duitse, Spaanse, Portugese en Franse lijst die het aanraakt.

De andere locales in dit artikel gedragen zich hetzelfde. Het Spaans maakt van ñ een eigen letter na n: ["ñu","nube","niño","zorro"] sorteert onder es als niño, nube, ñu, zorro, terwijl ordening op code-eenheid ñu voorbij zorro verbant. Het Portugees behandelt de accenten als tiebreakers, dus komt ["ação","acordo","água","avô"] onder pt in woordenboekorde uit en onder .sort() door de war. Het Italiaans sorteert onder it ancora, Àncora, elite, zucchero, waar het accent een secundair verschil is en de hoofdletter een tertiair. En het Frans heeft een ordening die werkelijk regionaal is: op ["cote","coté","côte","côté"] geeft fr cote, coté, côte, côté terug, terwijl fr-CA cote, côte, coté, côté teruggeeft, want het Canadees Frans vergelijkt accenten vanaf het einde van het woord terug.

Één taal, meerdere ordes: collatievarianten

Zelfs binnen één taal is er meer dan één juist antwoord, en de CLDR van Unicode levert ze als benoemde varianten die je via de localetekenreeks kiest. Het Duits heeft er twee in dagelijks gebruik. De standaard woordenboekcollatie, de, sorteert ["Göbel","Goethe","Godel","Gözde","Gott"] als Göbel, Godel, Goethe, Gott, Gözde: ö is een variant van o. De telefoonboekcollatie, de-u-co-phonebk, sorteert dezelfde vijf als Godel, Göbel, Goethe, Gözde, Gott, want ö wordt uitgeklapt naar oe — en dat zet Göbel tussen Godel en Goethe, precies waar iemand die „Goebel” opzoekt zou kijken.

Twee knoppen staan naast de variant en veranderen het antwoord even sterk als zij. sensitivity beslist welke verschillen überhaupt meetellen: op "cote" tegen "côte" en "cote" tegen "Cote" meldt sensitivity "base" beide paren als gelijk, scheidt "accent" het accent maar niet de hoofdletter, scheidt "case" de hoofdletter maar niet het accent, en scheidt "variant" — de standaard — beide. caseFirst beslist welke kant van een gelijkspel wint: op ["apple","Apple","APPLE"] geeft de standaard apple, Apple, APPLE terug en caseFirst: "upper" geeft APPLE, Apple, apple terug. Geen van beide knoppen is cosmetisch. sensitivity is ook wat een collator tot zoektool maakt: met "base" geeft compare 0 terug voor tekenreeksen die een lezer hetzelfde woord zou noemen.

Stabiliteit: wat er met gelijkspel gebeurt

Een sortering is stabiel wanneer elementen die gelijk vergelijken de onderlinge orde houden die ze in de invoer hadden. Dat doet ter zake zodra je op een gedeeltelijke sleutel sorteert — een eerste letter, een categorie, een datum zonder tijd — want de gelijke spelen zijn geen zeldzame randgevallen, ze zijn het grootste deel van de lijst. Tien voornamen alleen op hun eerste letter gesorteerd: de elementen met een a als beginletter kwamen eruit op de invoerposities 1, 2, 4, 6, 8 en die met een b op de posities 0, 3, 5, 7, 9 — elke groep bewaard, in orde.

Array.prototype.sort moet volgens de specificatie sinds ES2019 stabiel zijn. Daarvoor mochten engines boven een zekere arraylengte een onstabiel algoritme gebruiken, en verschillende deden dat, en daarom vertelt ouder advies je om met een samengestelde comparator te sorteren of de index mee te dragen. De eis geldt ongeacht de grootte: een array van duizend elementen, gesorteerd op een sleutel met maar drie verschillende waarden, kwam terug met elke groep in invoerorde. Je kunt dus een sortering op meerdere sleutels bouwen door meerdere keren te sorteren, de minst belangrijke sleutel eerst — sorteer op voornaam, dan op achternaam — en erop vertrouwen dat de eerdere passes overleven.

Wat het kost, en de regel die daaruit volgt

Sorteren met een locale is duurder dan sorteren op code-eenheid, maar niet met het bedrag dat mensen vrezen, en de dure fout is een andere. 20.000 woorden sorteren in Node 26.3: het standaard-.sort() kostte 6 ms, a.localeCompare(b, "de") kostte 12 ms, een collator die één keer is gebouwd en hergebruikt kostte 28 ms — en een nieuwe Intl.Collator binnen de comparator bouwen kostte 1.771 ms, zestig keer langzamer dan er een hergebruiken. De kosten zijn niet de collatie. De kosten zijn de collator honderdduizenden keren bouwen.

Dat laat een regel over die kort genoeg is om toe te passen. Leest een machine de uitvoer, sorteer dan op code-eenheid en schrijf op dat je dat hebt gedaan. Leest een mens haar, noem dan een locale — de taal waarin het document is geschreven, niet de taal van de browser die het toevallig weergeeft — bouw één Intl.Collator, beslis numeric en sensitivity met opzet, en hergebruik hem. Het enige dat nooit verdedigbaar is, is .sort() aanroepen op tekst die de lezer ziet en de uitkomst alfabetisch noemen.

Dezelfde twee lijsten onder vijf ordeningen, uitgevoerd in Node 26.3. Kolom drie is ["Öl","Ohr","Zebra","Ähre"], kolom vier is ["item10","item9","item2"]. Alleen de numerieke collator repareert de tweede lijst, en alleen een collator met een locale repareert de eerste.
OrdeningHoe je erom vraagtDuitse lijstGenummerde lijst
Ordening op code-eenheidarr.sort()Ohr, Zebra, Ähre, Ölitem10, item2, item9
Duitse collatienew Intl.Collator("de")Ähre, Ohr, Öl, Zebraitem10, item2, item9
Duitse telefoonboekvariantnew Intl.Collator("de-u-co-phonebk")Ähre, Öl, Ohr, Zebraitem10, item2, item9
Zweedse collatienew Intl.Collator("sv")Ohr, Zebra, Ähre, Ölitem10, item2, item9
Collatie die cijfers herkentnew Intl.Collator("de", { numeric: true })Ähre, Ohr, Öl, Zebraitem2, item9, item10
Regels sorterenSorteer regels alfabetisch, verwijder dubbele en trim witruimte.Probeer de tool →
Advertentie

Veelgestelde vragen

Waarom sorteert „Zebra” vóór „apple”?
Omdat .sort() zonder comparator UTF-16-code-eenheden vergelijkt, en elke ASCII-hoofdletter (0x41–0x5A) heeft een kleinere waarde dan elke ASCII-kleine letter (0x61–0x7A). Het sorteert geen letters, het sorteert getallen die toevallig letters voorstellen. Elke collator met een locale repareert het: new Intl.Collator("en").compare zet apple, Banana, zebra, Zebra in die orde, en behandelt de hoofdletter als de laatste tiebreaker in plaats van als het eerste criterium.
Is de sortering van JavaScript stabiel?
Ja, en dat moet ze zijn. ES2019 heeft stabiliteit een eis van de specificatie gemaakt voor Array.prototype.sort, en Array.prototype.toSorted volgt dezelfde regel. Hier nagegaan op een array van duizend elementen, gesorteerd op een sleutel met drie verschillende waarden: elke groep kwam terug in invoerorde. Die garantie is wat je een sortering op meerdere kolommen laat uitvoeren als een reeks sorteringen op één kolom, met de minst belangrijke kolom eerst.
Welke locale moet ik gebruiken als ik die van de lezer niet ken?
Gebruik de taal van de inhoud en niet de taal van het apparaat van de lezer. Een lijst Duitse productnamen hoort in Duitse collatie, wie er ook naar kijkt, precies zoals een gedrukte Duitse catalogus zou doen. Terugvallen op de standaard van de runtime is de slechtste optie, want die is onzichtbaar: new Intl.Collator() zonder argument kwam op de machine waarop dit artikel is geschreven uit op en-US, en zou op de volgende op iets anders uitkomen, zodat dezelfde lijst op twee servers anders zou ordenen zonder één wijziging in de code.
Waarom zet mijn bestandsbeheerder item2 vóór item10 en mijn code niet?
De bestandsbeheerder gebruikt natuurlijke ordening: hij herkent de reeks cijfers als een getal. Jouw code vergelijkt tekens, dus stopt ze bij "1" tegen "9" en leest ze de rest nooit. Voeg { numeric: true } toe aan een Intl.Collator, of geef dezelfde optie door aan localeCompare, en de twee zijn het eens. Probeer het niet na te doen door de weergavetekst met nullen op te vullen — dat repareert de sortering en breekt de labels.
Is localeCompare te langzaam voor een lange lijst?
Op zichzelf niet. Op 20.000 woorden in Node 26.3 kostte a.localeCompare(b, "de") 12 ms en een hergebruikte Intl.Collator 28 ms, tegen 6 ms voor het standaard-.sort() — een verschil dat niemand zal merken. Wat werkelijk langzaam is, is een collator binnen de comparator bouwen: dezelfde sortering kostte op die manier 1.771 ms, want er wordt een nieuwe collator gebouwd voor elk van de honderdduizenden vergelijkingen. Bouw hem één keer, buiten de sortering, en geef zijn .compare door.
Hoe sorteer ik Duitse namen zoals een telefoonboek dat doet?
Vraag de collatievariant bij naam: new Intl.Collator("de-u-co-phonebk"). Het deel -u-co- van een locale-identificatie kiest een collatie, en phonebk is de Duitse telefoonboekaanpassing, waarin ö zich als oe gedraagt, ä als ae en ü als ue. Op ["Göbel","Goethe","Godel","Gözde","Gott"] geeft een gewone de Göbel, Godel, Goethe, Gott, Gözde en geeft de-u-co-phonebk Godel, Göbel, Goethe, Gözde, Gott. Andere talen hebben hun eigen varianten — een Chinese lijst kan op dezelfde manier op pinyin of op het aantal streken worden geordend.

Artikelen die je misschien interesseren

Alle gidsen →
HandleidingNumbering the Lines of a Text for a Review with Several PeopleNumbering starts at 1 and cannot be set to 0, the alignment is spaces rather than zeros, and the remover undoes eight of the eleven separators without touching the indentation. What it still cannot do is tell your numbers from its own.UitlegFinding Duplicates in a List Without a SpreadsheetTwo lines that look identical are often not identical. Case, a trailing space, a no-break space and two different encodings of the same accented letter were each run through the duplicate finder, and it reported no duplicates for three of the four.GidsFormatting Numbers for Six Languages: Separators, Currency and the Parse Back1,234.56 and 1.234,56 are the same number, and confusing them changes the value a reader parses. We ran Intl.NumberFormat for all six site locales and printed every separator — including the invisible one French uses — then measured why parseFloat cannot undo any of it.UitlegDetecting the Language of a Text, and Why Short Texts FailMeasured, not asserted: 90 short real phrases across six languages, none declined and 68 right — 76%, falling to 64% under sixteen letters. Four of the wrong answers came back at 100% confidence.HandleidingCleaning Messy Text: The Order of Operations That Actually MattersStrip tags before decoding entities, trim before deduplicating, collapse whitespace last. Three orderings run in Node, a nine-step pipeline in the right sequence, and the invisible characters — U+00A0, U+200B, U+FEFF — that survive every naive cleanup.GidsMarkdown strippen: wat platte tekst verliest, en wat een regex verkeerd doetEen link wordt tekst met zijn bestemming gewist, een geneste lijst verliest zijn hiërarchie, een tabel wordt een rij woorden. Daarna de technische helft: markdown heeft geen enkele specificatie, en een regexstripper verknoeit een bestandsnaam, een maalteken en de binnenkant van een codeblok — alles getoond tegenover een echte parser.

Vergelijkbare tools

Bronnen

Een fout in dit artikel gezien?