{"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\/it\/blog\/administrirovanie\/kak-linuxovskij-sort-sortiruet-stroki","title":{"rendered":"Come il sort di Linux ordina le stringhe","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Introduzione<\/h1>\n

<\/p>\n

Tutto \u00e8 iniziato con un breve script che doveva unire le informazioni sugli indirizzi e-mail<\/em> dei dipendenti, ottenute da un elenco di utenti di una mailing list, con le posizioni dei dipendenti, ricavate dal database delle risorse umane. Entrambi gli elenchi erano stati esportati in file di testo in codifica Unicode UTF-8<\/em> e salvati con linee finali unix.<\/p>\n

<\/p>\n

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

<\/p>\n

Ivanov Andrey;ia@example.com<\/code><\/pre>\n
<\/p>\n
Contenuto buhg.txt<\/em><\/p>\n
<\/p>\n
Ivanova Alla;pittore\nYelkina Ella;crane operator\nIvanov Andrey;fabbro\nAbakanov Mikhail;pittore<\/code><\/pre>\n
<\/p>\n
Per unire i file, sono stati ordinati con un comando unix sort<\/em> e inviati a un programma unix join<\/em>, che ha terminato inaspettatamente con un errore: <\/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: non \u00e8 ordinato: Ivanov Andrey;fabbro<\/code><\/pre>\n
<\/p>\n
Un'osservazione visiva del risultato dell'ordinamento ha mostrato che, in generale, l'ordinamento era corretto, ma in caso di omonimie tra cognomi maschili e femminili, i femminili precedono i maschili:<\/p>\n
<\/p>\n
$> sort buhg.txt\nAbakanov Mikhail;pittore\nYelkina Ella;crane operator\nIvanova Alla;pittore\nIvanov Andrey;fabbro<\/code><\/pre>\n
<\/p>\n
Sembra un bug nell'ordinamento in Unicode o l'emergere di femminismo nell'algoritmo di ordinamento. La prima spiegazione \u00e8 certamente pi\u00f9 plausibile.<\/p>\n
<\/a><\/noindex><\/p>\n
Mettiamo in sospeso join<\/em> e concentriamoci su sort<\/em>. Proviamo a risolvere il problema attraverso tentativi. Iniziamo cambiando la lingua in en_US<\/em> con ru_RU<\/em>. Per l'ordinamento sarebbe sufficiente impostare la variabile d'ambiente LC_COLLATE<\/em>, ma non ci accontenteremo:<\/p>\n
<\/p>\n
$> LANG=ru_RU.UTF-8 sort buhg.txt\nAbakanov Michail;pittore\nJolkina Ella;craneista\nIvanova Alla;pittrice\nIvanov Andrej;idraulico<\/code><\/pre>\n
<\/p>\n
Niente \u00e8 cambiato.<\/p>\n
<\/p>\n
Proviamo a ricodificare i file in un codice a singolo 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
Di nuovo niente \u00e8 cambiato.<\/p>\n
<\/p>\n
Non c'\u00e8 niente da fare, dovremo cercare una soluzione su internet. Non ci sono informazioni specifiche sulle famiglie russe, ma ci sono domande su altre stranezze nell'ordinamento. Ad esempio, c'\u00e8 questo problema: unix sort tratta i caratteri ‘-‘ (linea) come invisibili<\/a><\/noindex>. In breve, le stringhe "a-b", "aa", "ac" si ordinano come "aa", "a-b", "ac".<\/p>\n
<\/p>\n
La risposta \u00e8 sempre la stessa: usa la locale per programmatori "C"<\/em> e sarete felici. Proviamo:<\/p>\n
<\/p>\n
$> LANG=C sort buhg.txt\nJolkina Ella;craneista\nAbakanov Michail;pitore\nIvanov Andrej;idraulico\nIvanova Alla;avvocato<\/code><\/pre>\n
<\/p>\n
Qualcosa \u00e8 cambiato. Gli Ivanov si sono sistemati nell'ordine corretto, ma Jolkina \u00e8 sparita da qualche parte. Torniamo al compito iniziale:<\/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
\u00c8 funzionato senza errori, come promesso da Internet. E nonostante ci sia \u0401\u043b\u043a\u0438\u043d nella prima riga.<\/p>\n
<\/p>\n
Sembra che il problema sia risolto, ma per precauzione proviamo un'altra codifica russa \u2014 quella di 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
Il risultato della sort, strano ma vero, coincider\u00e0 con la locale "C"<\/em>, e l'intero esempio, di conseguenza, passa senza errori. \u00c8 davvero un mistero.<\/p>\n
<\/p>\n
Non amo i misteri nella programmazione, poich\u00e9 di solito nascondono errori. Dovr\u00f2 occuparmi seriamente della questione di come funziona sort<\/em> e su cosa influisce LC_COLLATE<\/em> .<\/p>\n
<\/p>\n
Alla fine cercher\u00f2 di rispondere alle domande:<\/p>\n
<\/p>\n