{"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\/de\/blog\/administrirovanie\/kak-linuxovskij-sort-sortiruet-stroki","title":{"rendered":"Wie der Linux-Sort-Befehl Zeichenfolgen sortiert.","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Einf\u00fchrung<\/h1>\n

<\/p>\n

Alles begann mit einem kurzen Skript, das Informationen \u00fcber Adressen E-Mail<\/em> von Mitarbeitern, die aus einer Liste von Newsletter-Abonnenten stammen, mit den Positionen der Mitarbeiter, die aus der Personalabteilung abgeleitet wurden, zu verbinden. Beide Listen wurden in Textdateien im Unicode-Format exportiert UTF-8<\/em> und mit UNIX-Zeilenenden gespeichert.<\/p>\n

<\/p>\n

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

<\/p>\n

Ivanov Andrej;ia@example.com<\/code><\/pre>\n
<\/p>\n
Inhalt buhg.txt<\/em><\/p>\n
<\/p>\n
Ivanova Alla;Maler\nJolkina Ella;Kranf\u00fchrerin\nIvanov Andrej;Installateur\nAbakanov Michail;Maler<\/code><\/pre>\n
<\/p>\n
Um die Dateien zu kombinieren, wurden sie mit dem UNIX-Befehl sortiert sortieren<\/em> und an das UNIX-Programm \u00fcbergeben join<\/em>, das unerwartet mit einem Fehler endete: <\/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: ist nicht sortiert: Ivanov Andrej;Installateur<\/code><\/pre>\n
<\/p>\n
Ein Blick auf das Sortierungsergebnis zeigte, dass die Sortierung im Gro\u00dfen und Ganzen korrekt ist, aber im Falle von \u00fcbereinstimmenden m\u00e4nnlichen und weiblichen Nachnamen, die weiblichen vor den m\u00e4nnlichen stehen:<\/p>\n
<\/p>\n
$> sort buhg.txt\nAbakanov Michail;Maler\nJolkina Ella;Kranf\u00fchrerin\nIvanova Alla;Maler\nIvanov Andrej;Installateur<\/code><\/pre>\n
<\/p>\n
Es sieht nach einem Sortierfehler in Unicode oder nach einer Auspr\u00e4gung des Feminismus im Sortieralgorithmus aus. Letzteres ist nat\u00fcrlich glaubw\u00fcrdiger.<\/p>\n
<\/a><\/noindex><\/p>\n
Lassen wir das vorerst join<\/em> und konzentrieren wir uns auf sortieren<\/em>. Lassen Sie uns versuchen, das Problem mit wissenschaftlichem Versuch und Irrtum zu l\u00f6sen. Zun\u00e4chst \u00e4ndern wir die Locale von en_US<\/em> auf ru_RU<\/em>. F\u00fcr die Sortierung w\u00e4re es ausreichend gewesen, die Umgebungsvariable LC_COLLATE<\/em>, aber wir wollen uns nicht kleinlich zeigen:<\/p>\n
<\/p>\n
$> LANG=ru_RU.UTF-8 sort buhg.txt\nAbakanov Michail;Maler\nJolkina Ella;Kranf\u00fchrerin\nIvanova Alla;Maler\nIvanov Andrej;Installateur<\/code><\/pre>\n
<\/p>\n
Es hat sich nichts ge\u00e4ndert.<\/p>\n
<\/p>\n
Lassen Sie uns versuchen, die Dateien in ein einbyte-Format zu kodieren: <\/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
Wieder hat sich nichts ge\u00e4ndert.<\/p>\n
<\/p>\n
Was soll's, wir m\u00fcssen eine L\u00f6sung im Internet suchen. Kurz \u00fcber russische Nachnamen ist nichts vorhanden, aber es gibt Fragen \u00fcber andere Sortieranomalien. Zum Beispiel gibt es folgendes Problem: Unix sort behandelt ‘-‘ (Bindestrich) Zeichen als unsichtbar<\/a><\/noindex>. Kurz gesagt, die Strings "a-b", "aa", "ac" werden als "aa", "a-b", "ac" sortiert.<\/p>\n
<\/p>\n
Die Antwort ist \u00fcberall dieselbe: Nutzen Sie die Programmierlokalit\u00e4t "C"<\/em> und Sie werden gl\u00fccklich sein. Probieren wir es aus:<\/p>\n
<\/p>\n
$> LANG=C sort buhg.txt\nJolkina Ella;Kranf\u00fchrerin\nAbakanov Michail;Maler\nIvanov Andrej;Installateur\nIvanova Alla;Rechtsanw\u00e4ltin<\/code><\/pre>\n
<\/p>\n
Etwas hat sich ge\u00e4ndert. Die Ivanovs sind in der richtigen Reihenfolge angeordnet, aber Jolkina ist irgendwo hin verschwunden. Kehren wir zur urspr\u00fcnglichen Aufgabe zur\u00fcck:<\/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
Es hat ohne Fehler funktioniert, wie das Internet versprochen hat. Und das trotz Jolkino in der ersten Zeile.<\/p>\n
<\/p>\n
Das Problem scheint gel\u00f6st zu sein, aber zur Sicherheit probieren wir noch eine russische Kodierung \u2014 die Windows-Kodierung. 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
Das Sortierungsergebnis wird merkw\u00fcrdigerweise mit der Locale \u00fcbereinstimmen. "C"<\/em>, und das gesamte Beispiel wird entsprechend ohne Fehler durchlaufen. Irgendeine Mystik.<\/p>\n
<\/p>\n
Ich mag keine Mystik in der Programmierung, da sie in der Regel Fehler maskiert. Ich werde mich ernsthaft mit der Frage besch\u00e4ftigen, wie es funktioniert. sortieren<\/em> und auf was es Einfluss hat. LC_COLLATE<\/em> .<\/p>\n
<\/p>\n
Am Ende werde ich versuchen, die Fragen zu beantworten:<\/p>\n
<\/p>\n