{"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 sort 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 della mailing list, con le posizioni dei dipendenti, ottenute dal database del personale. Entrambi gli elenchi sono stati esportati in file di testo in codifica Unicode UTF-8<\/em> e salvati con terminazioni di riga Unix.<\/p>\n

<\/p>\n

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

<\/p>\n

Ivanov Andrei;ia@example.com<\/code><\/pre>\n
<\/p>\n
Contenuto buhg.txt<\/em><\/p>\n
<\/p>\n
Ivanova Alla;imbianchino\nEltkina Ella;gruista\nIvanov Andrei;installatore\nAbakanov Michail;imbianchino<\/code><\/pre>\n
<\/p>\n
Per unire i file, sono stati ordinati con il comando Unix sort<\/em> e forniti come input a un programma Unix upgrade<\/em>, che \u00e8 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 Andrei;installatore<\/code><\/pre>\n
<\/p>\n
Una revisione del risultato dell'ordinamento ha mostrato che, in generale, l'ordinamento era corretto, ma nel caso di nomi maschili e femminili coincidenti, i nomi femminili vengono prima:<\/p>\n
<\/p>\n
$> sort buhg.txt\nAbakanov Michail;imbianchino\nEltkina Ella;gruista\nIvanova Alla;imbianchino\nIvanov Andrei;installatore<\/code><\/pre>\n
<\/p>\n
Sembra un bug nell'ordinamento Unicode o un'espressione del femminismo nell'algoritmo di ordinamento. La prima opzione \u00e8 certamente pi\u00f9 plausibile.<\/p>\n
<\/a><\/noindex><\/p>\n
Lasciamo per ora upgrade<\/em> e concentriamoci su sort<\/em>. Proviamo a risolvere il problema con il metodo del tentativo ed errore. Per cominciare, cambiamo la localizzazione da en_US<\/em> in ru_RU<\/em>. Per l'ordinamento sarebbe bastato 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;imbianchino\nEltkina Ella;gruista\nIvanova Alla;imbianchino\nIvanov Andrei;installatore<\/code><\/pre>\n
<\/p>\n
Niente \u00e8 cambiato.<\/p>\n
<\/p>\n
Proviamo a riconvertire i file in una codifica a byte singolo: <\/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
Ancora una volta, niente \u00e8 cambiato.<\/p>\n
<\/p>\n
Non abbiamo scelta, dovremo cercare una soluzione su Internet. Non ci sono informazioni specifiche sulle famiglie russe, ma ci sono domande su altre stranezze nell'ordinamento. Ecco, per esempio, un problema: unix sort tratta i caratteri ‘-‘ (trattino) come invisibili<\/a><\/noindex>. In breve, le stringhe "a-b", "aa", "ac" vengono ordinati come "aa", "a-b", "ac".<\/p>\n
<\/p>\n
La risposta \u00e8 sempre la stessa: usa la localizzazione per programmatori "C"<\/em> e sarete felici. Proviamo:<\/p>\n
<\/p>\n
$> LANG=C sort buhg.txt\nEltkina Ella;gruista\nAbakanov Michail;imbianchino\nIvanov Andrei;installatore\nIvanova Alla;avvocato<\/code><\/pre>\n
<\/p>\n
Qualcosa \u00e8 cambiato. Gli Ivanov sono stati ordinati nel modo giusto, ma Eltkina \u00e8 scomparsa da qualche parte. Torniamo al compito originale:<\/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
Ha funzionato senza errori, come promesso da Internet. E questo nonostante ci sia \u0401\u043b\u043a\u0438\u043d\u0430 nella prima riga.<\/p>\n
<\/p>\n
Il problema sembra risolto, ma per precauzione proviamo un'altra codifica russa: 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 dell'ordinamento, strano ma vero, corrisponder\u00e0 alla localizzazione. "C"<\/em>, e l'intero esempio, di conseguenza, passa senza errori. \u00c8 una sorta di mistero.<\/p>\n
<\/p>\n
Non amo i misteri nella programmazione, poich\u00e9 in genere mascherano errori. Dovr\u00f2 prendere seriamente in considerazione 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