{"id":83055,"date":"2020-05-28T01:42:15","date_gmt":"2020-05-27T23:42:15","guid":{"rendered":"https:\/\/prohoster.info\/blog\/administrirovanie\/kak-linuxovskij-sort-sortiruet-stroki"},"modified":"2020-05-28T01:42:15","modified_gmt":"2020-05-27T23:42:15","slug":"kak-linuxovskij-sort-sortiruet-stroki","status":"publish","type":"post","link":"https:\/\/prohoster.info\/da\/blog\/administrirovanie\/kak-linuxovskij-sort-sortiruet-stroki","title":{"rendered":"Hvordan sorterer Linux' sort strenge","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Introduktion<\/h1>\n

<\/p>\n

Det hele begyndte med et kort script, der skulle kombinere oplysninger om adresser e-mail<\/em> fra medarbejdere, indsamlet fra en liste over brugere i nyhedsbrevet, med medarbejdernes stillinger, der blev hentet fra HR-databasen. Begge lister blev eksporteret til tekstfiler i Unicode-kodning UTF-8<\/em> og gemt med Unix-linjeskift.<\/p>\n

<\/p>\n

Indhold. mail.txt<\/em><\/p>\n

<\/p>\n

Ivanov Andrei;ia@example.com<\/code><\/pre>\n
<\/p>\n
Indhold. buhg.txt<\/em><\/p>\n
<\/p>\n
Ivanova Alla;maler\nElkina Ella;kranf\u00f8rer\nIvanov Andrei;smed\nAbakanov Mikhail;maler<\/code><\/pre>\n
<\/p>\n
For at kombinere blev filerne sorteret med Unix-kommandoen sort<\/em> og givet som input til et Unix-program sammenf\u00f8je<\/em>, som uventet afsluttede med en fejl: <\/p>\n
<\/p>\n
$> sort buhg.txt > buhg.srt\n$> sort mail.txt > mail.srt\n$> join buhg.srt mail.srt > result\njoin: buhg.srt:4: is not sorted: Ivanov Andrei;smed<\/code><\/pre>\n
<\/p>\n
En visuel gennemgang af sorteringsresultatet viste, at sorteringen generelt var korrekt, men i tilf\u00e6lde af matchende mandlige og kvindelige efternavne kom de kvindelige f\u00f8r de mandlige:<\/p>\n
<\/p>\n
$> sort buhg.txt\nAbakanov Mikhail;maler\nElkina Ella;kranf\u00f8rer\nIvanova Alla;maler\nIvanov Andrei;smed<\/code><\/pre>\n
<\/p>\n
Det ser ud som en fejl i Unicode-sorteringen eller som en indikator for feminisme i sorteringsalgoritmen. F\u00f8rstn\u00e6vnte lyder selvf\u00f8lgelig mere sandsynligt.<\/p>\n
<\/a><\/noindex><\/p>\n
Lad os udskyde det for nu sammenf\u00f8je<\/em> og fokusere p\u00e5 sort<\/em>. Lad os pr\u00f8ve at l\u00f8se problemet ved hj\u00e6lp af trial and error. F\u00f8rst skifter vi lokaliteten fra en_US<\/em> og f\u00e5 en fungerende kommando. ru_RU<\/em>. For sorteringen ville det have v\u00e6ret tilstr\u00e6kkeligt at indstille milj\u00f8variablen LC_COLLATE<\/em>, men vi vil ikke v\u00e6re sm\u00e5lige:<\/p>\n
<\/p>\n
$> LANG=ru_RU.UTF-8 sort buhg.txt\nAbakanov Mikhail;maler\nElkina Ella;kranf\u00f8rer\nIvanova Alla;maler\nIvanov Andrei;smed<\/code><\/pre>\n
<\/p>\n
Der \u00e6ndrede sig ikke noget.<\/p>\n
<\/p>\n
Lad os pr\u00f8ve at re-kode filerne til en enbyte-kodning: <\/p>\n
<\/p>\n
$> iconv -f UTF-8 -t KOI8-R buhg.txt \n | LANG=ru_RU.KOI8-R sort \n | iconv -f KOI8-R -t UTF8<\/code><\/pre>\n
<\/p>\n
Igen \u00e6ndrede der sig ikke noget.<\/p>\n
<\/p>\n
Der er ikke meget at g\u00f8re, vi m\u00e5 s\u00f8ge l\u00f8sningen p\u00e5 internettet. Der er ikke meget specifikt om russiske efternavne, men der er sp\u00f8rgsm\u00e5l om andre m\u00e6rkelige sorteringer. For eksempel dette problem: Unix sort behandler ‘-‘ (bindestreg) tegn som usynlige<\/a><\/noindex>. Kort sagt, s\u00e5 sorteres strenge "a-b", "aa", "ac" som "aa", "a-b", "ac".<\/p>\n
<\/p>\n
Svaret er overalt standard: brug programmeringslokaliteten "C"<\/em> og du vil v\u00e6re lykkelig. Vi pr\u00f8ver:<\/p>\n
<\/p>\n
$> LANG=C sort buhg.txt\nElkina Ella;kranf\u00f8rer\nAbakanov Mikhail;maler\nIvanov Andrei;smed\nIvanova Alla;advokat<\/code><\/pre>\n
<\/p>\n
Noget har \u00e6ndret sig. Ivanov-familien er nu i den korrekte r\u00e6kkef\u00f8lge, men Elkina er forsvundet et eller andet sted. Lad os vende tilbage til den oprindelige opgave:<\/p>\n
<\/p>\n
$> LANG=C sort buhg.txt > buhg.srt\n$> LANG=C sort mail.txt > mail.srt\n$> LANG=C join buhg.srt mail.srt > result<\/code><\/pre>\n
<\/p>\n
Det fungerede uden fejl, som internettet lovede. Og det p\u00e5 trods af Jolkin i den f\u00f8rste linje.<\/p>\n
<\/p>\n
Problemet ser ud til at v\u00e6re l\u00f8st, men for en sikkerheds skyld vil vi pr\u00f8ve endnu en russisk kodning \u2014 Windows-versionen. CP1251<\/em>:<\/p>\n
<\/p>\n
$> iconv -f UTF-8 -t CP1251 buhg.txt \n | LANG=ru_RU.CP1251 sort \n | iconv -f CP1251 -t UTF8 <\/code><\/pre>\n
<\/p>\n
Resultatet af sorteringen vil, underligt nok, v\u00e6re det samme som lokaliteten. "C"<\/em>, og hele eksemplet vil derfor g\u00e5 igennem uden fejl. En eller anden mystik.<\/p>\n
<\/p>\n
Jeg er ikke glad for mystik i programmering, da den normalt skjuler fejl. Jeg m\u00e5 tage sp\u00f8rgsm\u00e5let alvorligt om, hvordan det fungerer sort<\/em> og hvad det p\u00e5virker LC_COLLATE<\/em> .<\/p>\n
<\/p>\n
Til slut vil jeg fors\u00f8ge at svare p\u00e5 sp\u00f8rgsm\u00e5lene:<\/p>\n
<\/p>\n