{"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\/es\/blog\/administrirovanie\/kak-linuxovskij-sort-sortiruet-stroki","title":{"rendered":"C\u00f3mo sort de Linux ordena cadenas","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Introducci\u00f3n<\/h1>\n

<\/p>\n

Todo comenz\u00f3 con un breve script que deb\u00eda combinar la informaci\u00f3n sobre las direcciones correo electr\u00f3nico<\/em> de los empleados, obtenida de la lista de usuarios del bolet\u00edn, con los cargos de los empleados, obtenidos de la base de datos del departamento de Recursos Humanos. Ambas listas fueron exportadas a archivos de texto en codificaci\u00f3n Unicode UTF-8<\/em> y se guardaron con finales de l\u00ednea de tipo Unix.<\/p>\n

<\/p>\n

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

<\/p>\n

Ivanov Andrey;ia@example.com<\/code><\/pre>\n
<\/p>\n
Contenido buhg.txt<\/em><\/p>\n
<\/p>\n
Ivanova Alla;pintora\nYelkina Ella;gr\u00faa\nIvanov Andrey;cerrajero\nAbakanov Mikhail;pintor<\/code><\/pre>\n
<\/p>\n
Para combinarlos, los archivos fueron ordenados con un comando de Unix sort<\/em> y alimentados a un programa de Unix join<\/em>, que finaliz\u00f3 inesperadamente con un error: <\/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: no est\u00e1 ordenado: Ivanov Andrey;cerrajero<\/code><\/pre>\n
<\/p>\n
Una r\u00e1pida revisi\u00f3n del resultado de la ordenaci\u00f3n mostr\u00f3 que, en general, el ordenamiento era correcto, pero en caso de coincidencias de apellidos masculinos y femeninos, los femeninos iban antes que los masculinos:<\/p>\n
<\/p>\n
$> sort buhg.txt\nAbakanov Mikhail;pintor\nYelkina Ella;gr\u00faa\nIvanova Alla;pintora\nIvanov Andrey;cerrajero<\/code><\/pre>\n
<\/p>\n
Parece un error de ordenaci\u00f3n en Unicode o una manifestaci\u00f3n del feminismo en el algoritmo de ordenaci\u00f3n. La primera opci\u00f3n es, por supuesto, m\u00e1s plausible.<\/p>\n
<\/a><\/noindex><\/p>\n
Dejemos eso de lado por ahora join<\/em> y centr\u00e9monos en sort<\/em>. Intentemos resolver el problema mediante un enfoque de ensayo y error. Para comenzar, cambiaremos la configuraci\u00f3n regional de en_US<\/em> en ru_RU<\/em>. Para la ordenaci\u00f3n, habr\u00eda sido suficiente establecer la variable de entorno LC_COLLATE<\/em>, pero no vamos a ser mezquinos:<\/p>\n
<\/p>\n
$> LANG=ru_RU.UTF-8 sort buhg.txt\nAbakanov Mikhail;pintor\nYelkina Ella;gr\u00faa\nIvanova Alla;pintora\nIvanov Andrey;cerrajero<\/code><\/pre>\n
<\/p>\n
No ha cambiado nada.<\/p>\n
<\/p>\n
Intentemos recodificar los archivos a una codificaci\u00f3n de un solo byte: <\/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
Nuevamente, no ha cambiado nada.<\/p>\n
<\/p>\n
No hay m\u00e1s remedio, tendr\u00e9 que buscar una soluci\u00f3n en internet. No hay nada directo sobre apellidos rusos, pero hay preguntas sobre otras rarezas en la ordenaci\u00f3n. Aqu\u00ed, por ejemplo, hay un problema as\u00ed: unix sort trata los caracteres ‘-‘ (guion) como invisibles<\/a><\/noindex>. En resumen, las cadenas "a-b", "aa", "ac" se ordenan como "aa", "a-b", "ac".<\/p>\n
<\/p>\n
La respuesta en todas partes es la misma: use la configuraci\u00f3n regional de programador "C"<\/em> y ser\u00e1n felices. Probemos:<\/p>\n
<\/p>\n
$> LANG=C sort buhg.txt\nYelkina Ella;gr\u00faa\nAbakanov Mikhail;pintor\nIvanov Andrey;cerrajero\nIvanova Alla;abogada<\/code><\/pre>\n
<\/p>\n
Algo ha cambiado. Los Ivanov se han alineado en el orden correcto, aunque Yelkina se ha desviado. Volvamos al problema original:<\/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
Funcion\u00f3 sin errores, como prometi\u00f3 internet. Y eso a pesar de la primera l\u00ednea de Y\u00f3lkin.<\/p>\n
<\/p>\n
Parece que el problema est\u00e1 resuelto, pero por si acaso probaremos con otra codificaci\u00f3n rusa: la de Windows. 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
El resultado de la ordenaci\u00f3n, curiosamente, coincidir\u00e1 con la localidad. "C"<\/em>, y todo el ejemplo, por lo tanto, pasa sin errores. Es algo m\u00edstico.<\/p>\n
<\/p>\n
No me gusta la m\u00edstica en la programaci\u00f3n, ya que, por lo general, oculta errores. Tendr\u00e9 que tomar en serio la cuesti\u00f3n de c\u00f3mo funciona sort<\/em> y en qu\u00e9 afecta LC_COLLATE<\/em> .<\/p>\n
<\/p>\n
Al final intentar\u00e9 responder a las preguntas:<\/p>\n
<\/p>\n