{"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\/fr\/blog\/administrirovanie\/kak-linuxovskij-sort-sortiruet-stroki","title":{"rendered":"Comment sort de Linux trie les cha\u00eenes","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Introduction<\/h1>\n

<\/p>\n

Tout a commenc\u00e9 par un script court, cens\u00e9 combiner les informations sur les adresses e-mail<\/em> des employ\u00e9s, obtenues \u00e0 partir de la liste des utilisateurs de la newsletter, avec les postes des employ\u00e9s, obtenus \u00e0 partir de la base des ressources humaines. Les deux listes ont \u00e9t\u00e9 export\u00e9es dans des fichiers texte en codage Unicode UTF-8<\/em> et sauvegard\u00e9es avec des fins de ligne unixiennes.<\/p>\n

<\/p>\n

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

<\/p>\n

Ivanov Andre\u00ef;ia@example.com<\/code><\/pre>\n
<\/p>\n
Contenu buhg.txt<\/em><\/p>\n
<\/p>\n
Ivanova Alla;peintre\nYelkina Ella;gruti\u00e8re\nIvanov Andre\u00ef;ouvrier\nAbakanov Mikha\u00efl;peintre<\/code><\/pre>\n
<\/p>\n
Pour combiner, les fichiers ont \u00e9t\u00e9 tri\u00e9s avec la commande unixienne sort<\/em> et donn\u00e9s en entr\u00e9e \u00e0 un programme unixien joindre<\/em>, qui s'est termin\u00e9 de mani\u00e8re inattendue avec une erreur : <\/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: n'est pas tri\u00e9: Ivanov Andre\u00ef;ouvrier<\/code><\/pre>\n
<\/p>\n
Un aper\u00e7u du r\u00e9sultat du tri a montr\u00e9 qu'en g\u00e9n\u00e9ral le tri \u00e9tait correct, mais en cas de co\u00efncidences entre les noms masculins et f\u00e9minins, les f\u00e9minins sont plac\u00e9s avant les masculins :<\/p>\n
<\/p>\n
$> sort buhg.txt\nAbakanov Mikha\u00efl;peintre\nYelkina Ella;gruti\u00e8re\nIvanova Alla;peintre\nIvanov Andre\u00ef;ouvrier<\/code><\/pre>\n
<\/p>\n
Cela ressemble \u00e0 un bug de tri en Unicode ou \u00e0 une manifestation du f\u00e9minisme dans l'algorithme de tri. La premi\u00e8re explication est bien s\u00fbr plus plausible.<\/p>\n
<\/a><\/noindex><\/p>\n
Mettons cela de c\u00f4t\u00e9 pour l'instant joindre<\/em> et concentrons-nous sur sort<\/em>. Tentons de r\u00e9soudre le probl\u00e8me par t\u00e2tonnements. Pour commencer, changeons la locale de en_US<\/em> sur ru_RU<\/em>. Pour le tri, il suffirait de d\u00e9finir la variable d'environnement LC_COLLATE<\/em>, mais nous n'allons pas faire les choses \u00e0 moiti\u00e9 :<\/p>\n
<\/p>\n
$> LANG=ru_RU.UTF-8 sort buhg.txt\nAbakanov Mikha\u00efl;peintre\nYelkina Ella;gruti\u00e8re\nIvanova Alla;peintre\nIvanov Andre\u00ef;ouvrier<\/code><\/pre>\n
<\/p>\n
Rien n'a chang\u00e9.<\/p>\n
<\/p>\n
Essayons de re-coder les fichiers en une seule octet : <\/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
Encore rien n'a chang\u00e9.<\/p>\n
<\/p>\n
Il n'y a rien \u00e0 faire, il va falloir chercher une solution sur Internet. Rien de particulier sur les noms russes, mais il y a des questions sur d'autres bizarreries du tri. Par exemple, voici un tel probl\u00e8me : Le tri Unix consid\u00e8re les caract\u00e8res '-' (tiret) comme invisibles<\/a><\/noindex>. En r\u00e9sum\u00e9, les cha\u00eenes \"a-b\", \"aa\", \"ac\" sont tri\u00e9es comme \"aa\", \"a-b\", \"ac\".<\/p>\n
<\/p>\n
La r\u00e9ponse est toujours la m\u00eame : utilisez la locale programmer \"C\"<\/em> et vous serez heureux. Essayons :<\/p>\n
<\/p>\n
$> LANG=C sort buhg.txt\nYelkina Ella;gruti\u00e8re\nAbakanov Mikha\u00efl;peintre\nIvanov Andre\u00ef;ouvrier\nIvanova Alla;avocate<\/code><\/pre>\n
<\/p>\n
Il y a quelque chose qui a chang\u00e9. Les Ivanov se sont rang\u00e9s dans le bon ordre, mais Yelkina a disparu quelque part. Revenons \u00e0 la t\u00e2che initiale :<\/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
\u00c7a a fonctionn\u00e9 sans erreurs, tout comme l'a promis Internet. Et ce, malgr\u00e9 Yolkine \u00e0 la premi\u00e8re ligne.<\/p>\n
<\/p>\n
Le probl\u00e8me semble r\u00e9solu, mais pour \u00eatre s\u00fbr, essayons une autre codage en russe \u2014 celui 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
Le r\u00e9sultat du tri, \u00e9trangement, co\u00efncidera avec la locale. \"C\"<\/em>, et tout l'exemple, en cons\u00e9quence, se d\u00e9roule sans erreurs. C'est quelque chose de mystique.<\/p>\n
<\/p>\n
Je n'aime pas la mystique en programmation, car elle dissimule g\u00e9n\u00e9ralement des erreurs. Je vais devoir m'occuper s\u00e9rieusement de la fa\u00e7on dont les choses fonctionnent. sort<\/em> et de ce \u00e0 quoi cela influence. LC_COLLATE<\/em> .<\/p>\n
<\/p>\n
\u00c0 la fin, j'essaierai de r\u00e9pondre aux questions :<\/p>\n
<\/p>\n