សេចក្តីណែនាំ

វាទាំងអស់បានចាប់ផ្តើមជាមួយនឹងស្គ្រីបខ្លីមួយដែលត្រូវបានគេសន្មត់ថាបញ្ចូលគ្នានូវព័ត៌មានអាសយដ្ឋាន អ៊ីមែល និយោជិតទទួលបានពីបញ្ជីអ្នកប្រើប្រាស់បញ្ជីសំបុត្ររួមជាមួយនឹងមុខតំណែងបុគ្គលិកដែលទទួលបានពីមូលដ្ឋានទិន្នន័យរបស់នាយកដ្ឋានធនធានមនុស្ស។ បញ្ជីទាំងពីរត្រូវបាននាំចេញទៅឯកសារអត្ថបទយូនីកូដ UTF-8 ។ និងរក្សាទុកជាមួយនឹងការបញ្ចប់បន្ទាត់ Unix ។

មាតិកា mail.txt

Иванов Андрей;[email protected]

មាតិកា buhg.txt

Иванова Алла;маляр
Ёлкина Элла;крановщица
Иванов Андрей;слесарь
Абаканов Михаил;маляр

ដើម្បីបញ្ចូលគ្នា ឯកសារត្រូវបានតម្រៀបតាមពាក្យបញ្ជា Unix ជោគវាសនា ហើយបានបញ្ជូនទៅការបញ្ចូលនៃកម្មវិធី Unix ចូលរួមដែលបរាជ័យដោយមិននឹកស្មានដល់ដោយមានកំហុស៖

$> sort buhg.txt > buhg.srt
$> sort mail.txt > mail.srt
$> join buhg.srt mail.srt > result
join: buhg.srt:4: is not sorted: Иванов Андрей;слесарь

ការមើលលទ្ធផលនៃការតម្រៀបដោយភ្នែករបស់អ្នក បានបង្ហាញថា ជាទូទៅការតម្រៀបគឺត្រឹមត្រូវ ប៉ុន្តែក្នុងករណីចៃដន្យនៃនាមត្រកូលបុរស និងស្ត្រី អ្នកដែលមកមុនបុរស៖

$> sort buhg.txt
Абаканов Михаил;маляр
Ёлкина Элла;крановщица
Иванова Алла;маляр
Иванов Андрей;слесарь

មើលទៅដូចជាភាពមិនប្រក្រតីក្នុងការតម្រៀបក្នុងយូនីកូដ ឬដូចជាការបង្ហាញពីភាពជាស្ត្រីក្នុងក្បួនដោះស្រាយការតម្រៀប។ ជាការពិតណាស់ ទីមួយគឺអាចជឿទុកចិត្តបានជាង។

ទុកវាចោលឥឡូវនេះ ចូលរួម និងផ្តោតលើ ជោគវាសនា. ចូរយើងព្យាយាមដោះស្រាយបញ្ហាដោយប្រើម្ជុលវិទ្យាសាស្ត្រ។ ជាដំបូង ចូរយើងផ្លាស់ប្តូរមូលដ្ឋានពី en_US នៅលើ ru_RU. ដើម្បីតម្រៀប វានឹងគ្រប់គ្រាន់ដើម្បីកំណត់អថេរបរិស្ថាន LC_COLLATEប៉ុន្តែយើងនឹងមិនខ្ជះខ្ជាយពេលវេលាលើរឿងតូចតាចទេ៖

$> LANG=ru_RU.UTF-8 sort buhg.txt
Абаканов Михаил;маляр
Ёлкина Элла;крановщица
Иванова Алла;маляр
Иванов Андрей;слесарь

គ្មានអ្វីផ្លាស់ប្តូរទេ។

តោះព្យាយាមកែកូដឯកសារទៅជាការអ៊ិនកូដតែមួយបៃ៖

$> iconv -f UTF-8 -t KOI8-R buhg.txt 
 | LANG=ru_RU.KOI8-R sort 
 | iconv -f KOI8-R -t UTF8

ជាថ្មីម្តងទៀតគ្មានអ្វីផ្លាស់ប្តូរទេ។

មិនមានអ្វីដែលអ្នកអាចធ្វើបានទេ អ្នកនឹងត្រូវស្វែងរកដំណោះស្រាយនៅលើអ៊ីនធឺណិត។ មិនមានអ្វីដោយផ្ទាល់អំពីនាមត្រកូលរបស់រុស្ស៊ីទេ ប៉ុន្តែមានសំណួរអំពីការតម្រៀបចម្លែកផ្សេងទៀត។ ឧទាហរណ៍ នេះជាបញ្ហា៖ unix sort ចាត់ទុកតួអក្សរ '-' (dash) ថាមើលមិនឃើញ. សរុបមក ខ្សែអក្សរ "a-b", "aa", "ac" ត្រូវបានតម្រៀបជា "aa", "a-b", "ac" ។

ចម្លើយគឺស្តង់ដារគ្រប់ទីកន្លែង៖ ប្រើមូលដ្ឋានអ្នកសរសេរកម្មវិធី "គ" ហើយអ្នកនឹងសប្បាយចិត្ត។ តោះសាកល្បង:

$> LANG=C sort buhg.txt
Ёлкина Элла;крановщица
Абаканов Михаил;маляр
Иванов Андрей;слесарь
Иванова Алла;адвокат

អ្វីមួយបានផ្លាស់ប្តូរ។ Ivanovs តម្រង់ជួរក្នុងលំដាប់ត្រឹមត្រូវ ទោះបីជា Yolkina បានរអិលនៅកន្លែងណាមួយក៏ដោយ។ ចូរយើងត្រលប់ទៅបញ្ហាដើមវិញ៖

$> LANG=C sort buhg.txt > buhg.srt
$> LANG=C sort mail.txt > mail.srt
$> LANG=C join buhg.srt mail.srt > result

វាដំណើរការដោយគ្មានកំហុស ដូចដែលអ៊ីនធឺណិតបានសន្យា។ ហើយនេះបើទោះបីជា Yolkina នៅក្នុងជួរទីមួយក៏ដោយ។

បញ្ហាហាក់ដូចជាត្រូវបានដោះស្រាយ ប៉ុន្តែគ្រាន់តែក្នុងករណី សាកល្បងការអ៊ិនកូដជាភាសារុស្សីមួយផ្សេងទៀត - វីនដូ CP1251:

$> iconv -f UTF-8 -t CP1251 buhg.txt 
 | LANG=ru_RU.CP1251 sort 
 | iconv -f CP1251 -t UTF8

លទ្ធផលតម្រៀបដែលចម្លែកគ្រប់គ្រាន់នឹងស្របគ្នានឹងមូលដ្ឋាន "គ"ហើយឧទាហរណ៍ទាំងមូល ដំណើរការដោយគ្មានកំហុស។ ប្រភេទនៃអាថ៌កំបាំងមួយចំនួន។

ខ្ញុំមិនចូលចិត្តភាពអាថ៌កំបាំងក្នុងការសរសេរកម្មវិធីទេ ព្រោះវាជាធម្មតាបិទបាំងកំហុស។ យើងនឹងត្រូវពិនិត្យមើលយ៉ាងដិតដល់នូវរបៀបដែលវាដំណើរការ។ ជោគវាសនា ហើយវាប៉ះពាល់ដល់អ្វី? LC_COLLATE .

នៅចុងបញ្ចប់ខ្ញុំនឹងព្យាយាមឆ្លើយសំណួរ៖

ហេតុអ្វីបានជានាមត្រកូលស្រីត្រូវបានតម្រៀបមិនត្រឹមត្រូវ?
ហេតុអ្វី LANG=ru_RU.CP1251 ប្រែថាសមមូល LANG=C
ហេតុអ្វីធ្វើ ជោគវាសនា и ចូលរួម គំនិតផ្សេងគ្នាអំពីលំដាប់នៃខ្សែដែលបានតម្រៀប
ហេតុអ្វីបានជាមានកំហុសនៅក្នុងឧទាហរណ៍ទាំងអស់របស់ខ្ញុំ?
ចុងក្រោយ របៀបតម្រៀបខ្សែតាមចិត្ត

ការតម្រៀបជាយូនីកូដ

ការឈប់ដំបូងនឹងជារបាយការណ៍បច្ចេកទេសលេខ 10 ដែលមានសិទ្ធិ ក្បួនដោះស្រាយការភ្ជាប់យូនីកូដ លើបណ្តាញ unicode.org. របាយការណ៍នេះមានព័ត៌មានលម្អិតបច្ចេកទេសជាច្រើន ដូច្នេះខ្ញុំសូមផ្តល់សេចក្តីសង្ខេបខ្លីៗអំពីគំនិតសំខាន់ៗ។

តម្រៀប - ខ្សែអក្សរ "ប្រៀបធៀប" គឺជាមូលដ្ឋាននៃក្បួនដោះស្រាយការតម្រៀបណាមួយ។ ក្បួនដោះស្រាយខ្លួនឯងអាចខុសគ្នា ("ពពុះ", "បញ្ចូលគ្នា", "លឿន") ប៉ុន្តែពួកវាទាំងអស់នឹងប្រើការប្រៀបធៀបនៃខ្សែមួយគូដើម្បីកំណត់លំដាប់ដែលពួកវាលេចឡើង។

ការតម្រៀបខ្សែអក្សរជាភាសាធម្មជាតិគឺជាបញ្ហាស្មុគស្មាញណាស់។ សូម្បីតែនៅក្នុងការអ៊ិនកូដតែមួយបៃដ៏សាមញ្ញបំផុត លំដាប់នៃអក្សរនៅក្នុងអក្ខរក្រម សូម្បីតែតាមរបៀបខ្លះខុសពីអក្ខរក្រមឡាតាំងអង់គ្លេស នឹងមិនស្របគ្នាជាមួយនឹងលំដាប់នៃតម្លៃលេខដែលអក្សរទាំងនេះត្រូវបានអ៊ិនកូដទៀតទេ។ ដូច្នេះនៅក្នុងអក្ខរក្រមអាល្លឺម៉ង់អក្សរ Ö ឈរនៅចន្លោះ О и Pនិងនៅក្នុងការអ៊ិនកូដ CP850 នាងទទួលបានរវាង ÿ и Ü.

អ្នកអាចព្យាយាមអរូបីពីការអ៊ិនកូដជាក់លាក់មួយ ហើយពិចារណាអក្សរ "ឧត្តមគតិ" ដែលត្រូវបានរៀបចំតាមលំដាប់លំដោយ ដូចដែលត្រូវបានធ្វើនៅក្នុងយូនីកូដ។ ការអ៊ិនកូដ UTF8, UTF16 ឬមួយបៃ KOI8-R (ប្រសិនបើសំណុំរងមានកំណត់នៃយូនីកូដគឺចាំបាច់) នឹងផ្តល់តំណាងជាលេខផ្សេងគ្នានៃអក្សរ ប៉ុន្តែយោងទៅលើធាតុដូចគ្នានៃតារាងមូលដ្ឋាន។

វាប្រែថាទោះបីជាយើងបង្កើតតារាងនិមិត្តសញ្ញាពីដំបូងក៏ដោយយើងនឹងមិនអាចកំណត់លំដាប់និមិត្តសញ្ញាសកលទៅវាបានទេ។ នៅក្នុងអក្ខរក្រមជាតិផ្សេងៗគ្នាដែលប្រើអក្សរដូចគ្នា លំដាប់នៃអក្សរទាំងនេះអាចខុសគ្នា។ ឧទាហរណ៍នៅក្នុងភាសាបារាំង Æ នឹងត្រូវបានចាត់ទុកថាជាខ្សែចងនិងតម្រៀបជាខ្សែអក្សរ AE. ជាភាសាន័រវេស Æ នឹងជាអក្សរដាច់ដោយឡែក ដែលមានទីតាំងនៅក្រោយ Z. ដោយវិធីនេះ, បន្ថែមពីលើ ligatures ដូចជា Æ មានអក្សរសរសេរដោយនិមិត្តសញ្ញាជាច្រើន។ ដូច្នេះនៅក្នុងអក្ខរក្រមឆេកមានអក្សរមួយ។ Chដែលឈរនៅចន្លោះ H и I.

បន្ថែមពីលើភាពខុសគ្នានៃអក្ខរក្រម មានប្រពៃណីជាតិផ្សេងទៀតដែលមានឥទ្ធិពលលើការតម្រៀប។ ជាពិសេស សំណួរកើតឡើង៖ តើពាក្យណាដែលមានអក្សរធំ និងអក្សរតូចត្រូវបង្ហាញក្នុងវចនានុក្រម? ការតម្រៀបក៏អាចរងផលប៉ះពាល់ដោយការប្រើសញ្ញាវណ្ណយុត្តិផងដែរ។ នៅក្នុងភាសាអេស្ប៉ាញ សញ្ញាសួរបញ្ច្រាសត្រូវបានប្រើនៅដើមនៃប្រយោគសួរចម្លើយ (តើអ្នកចូលចិត្តតន្ត្រីទេ?) ក្នុងករណីនេះ វាច្បាស់ណាស់ថាប្រយោគសួរចម្លើយមិនគួរត្រូវបានដាក់ជាក្រុមដាច់ដោយឡែកនៅខាងក្រៅអក្ខរក្រមនោះទេ ប៉ុន្តែតើត្រូវតម្រៀបបន្ទាត់ដោយសញ្ញាវណ្ណយុត្តិផ្សេងទៀតដោយរបៀបណា?

ខ្ញុំនឹងមិនរស់នៅលើការតម្រៀបខ្សែអក្សរជាភាសាដែលខុសពីភាសាអឺរ៉ុបទេ។ ចំណាំថានៅក្នុងភាសាដែលមានទិសដៅសរសេរពីស្តាំទៅឆ្វេង ឬពីកំពូលទៅបាត តួអក្សរក្នុងបន្ទាត់ទំនងជាត្រូវបានរក្សាទុកក្នុងលំដាប់អាន ហើយសូម្បីតែប្រព័ន្ធសរសេរដែលមិនមែនជាអក្ខរក្រមក៏មានវិធីផ្ទាល់ខ្លួនរបស់ពួកគេក្នុងការតម្រៀបបន្ទាត់តាមតួអក្សរ។ . ឧទាហរណ៍ hieroglyphs អាចត្រូវបានតម្រៀបតាមរចនាប័ទ្ម (គ្រាប់ចុចអក្សរចិន) ឬដោយការបញ្ចេញសំឡេង។ និយាយឱ្យត្រង់ទៅ ខ្ញុំមិនដឹងថាតើ emojis គួរតែត្រូវបានរៀបចំយ៉ាងណាទេ ប៉ុន្តែអ្នកអាចបង្កើតអ្វីមួយសម្រាប់ពួកគេផងដែរ។

ដោយផ្អែកលើលក្ខណៈពិសេសដែលបានរាយខាងលើ តម្រូវការជាមូលដ្ឋានសម្រាប់ការប្រៀបធៀបខ្សែអក្សរដោយផ្អែកលើតារាងយូនីកូដត្រូវបានបង្កើតឡើង៖

ការប្រៀបធៀបខ្សែអក្សរមិនអាស្រ័យលើទីតាំងនៃតួអក្សរក្នុងតារាងកូដទេ។
លំដាប់នៃតួអក្សរបង្កើតតួអក្សរតែមួយត្រូវបានកាត់បន្ថយទៅជាទម្រង់ Canonical (A + រង្វង់ខាងលើគឺដូចគ្នានឹង Å);
នៅពេលប្រៀបធៀបខ្សែអក្សរ តួអក្សរមួយត្រូវបានពិចារណានៅក្នុងបរិបទនៃខ្សែអក្សរ ហើយប្រសិនបើចាំបាច់ រួមបញ្ចូលគ្នាជាមួយអ្នកជិតខាងរបស់វាទៅជាឯកតានៃការប្រៀបធៀប (Ch ជាភាសាឆេក) ឬត្រូវបានបែងចែកទៅជាជាច្រើន (Æ ជាភាសាបារាំង);
លក្ខណៈជាតិទាំងអស់ (អក្ខរក្រម អក្សរធំ/អក្សរតូច វណ្ណយុត្តិ លំដាប់នៃប្រភេទការសរសេរ) ត្រូវតែកំណត់រចនាសម្ព័ន្ធរហូតដល់ការចាត់តាំងដោយដៃនៃលំដាប់ (សញ្ញាអារម្មណ៍);
ការប្រៀបធៀបមានសារៈសំខាន់មិនត្រឹមតែសម្រាប់ការតម្រៀបប៉ុណ្ណោះទេ ប៉ុន្តែក៏មានកន្លែងផ្សេងទៀតជាច្រើនផងដែរ ឧទាហរណ៍សម្រាប់ការបញ្ជាក់ជួរជួរ (ជំនួស {A... z} ក្នុង bash);
ការប្រៀបធៀបគួរតែត្រូវបានធ្វើឡើងយ៉ាងឆាប់រហ័ស។

លើសពីនេះ អ្នកនិពន្ធនៃរបាយការណ៍នេះបានបង្កើតលក្ខណៈសម្បត្តិប្រៀបធៀបដែលអ្នកអភិវឌ្ឍន៍ក្បួនដោះស្រាយមិនគួរពឹងផ្អែកលើ៖

ក្បួនដោះស្រាយការប្រៀបធៀបមិនគួរតម្រូវឱ្យមានសំណុំតួអក្សរដាច់ដោយឡែកសម្រាប់ភាសានីមួយៗទេ (ភាសារុស្សី និងអ៊ុយក្រែនចែករំលែកតួអក្សរស៊ីរីលីកភាគច្រើន);
ការប្រៀបធៀបមិនគួរពឹងផ្អែកលើលំដាប់នៃតួអក្សរក្នុងតារាងយូនីកូដទេ។
ទម្ងន់ខ្សែមិនគួរជាគុណលក្ខណៈនៃខ្សែអក្សរទេ ព្រោះខ្សែអក្សរដូចគ្នាក្នុងបរិបទវប្បធម៌ផ្សេងគ្នាអាចមានទម្ងន់ខុសៗគ្នា។
ទម្ងន់ជួរដេកអាចផ្លាស់ប្តូរនៅពេលបញ្ចូលគ្នា ឬបំបែក (ពី x < y វាមិនធ្វើតាមនោះទេ។ xz < yz);
ខ្សែផ្សេងគ្នាដែលមានទម្ងន់ដូចគ្នាត្រូវបានចាត់ទុកថាស្មើគ្នាតាមទស្សនៈនៃក្បួនដោះស្រាយតម្រៀប។ ការណែនាំអំពីការបញ្ជាទិញបន្ថែមនៃខ្សែបែបនេះគឺអាចធ្វើទៅបាន ប៉ុន្តែវាអាចធ្វើឱ្យដំណើរការថយចុះ។
ក្នុងអំឡុងពេលតម្រៀបម្តងហើយម្តងទៀត ជួរដេកដែលមានទម្ងន់ដូចគ្នាអាចត្រូវបានប្តូរ។ ភាពរឹងមាំគឺជាទ្រព្យសម្បត្តិនៃក្បួនដោះស្រាយការតម្រៀបជាក់លាក់មួយ ហើយមិនមែនជាទ្រព្យសម្បត្តិនៃក្បួនដោះស្រាយការប្រៀបធៀបខ្សែអក្សរ (សូមមើលកថាខណ្ឌមុន);
ច្បាប់តម្រៀបអាចនឹងផ្លាស់ប្តូរតាមពេលវេលាដែលទំនៀមទំលាប់វប្បធម៌កែលម្អ/ការផ្លាស់ប្តូរ។

វាត្រូវបានចែងផងដែរថា ក្បួនដោះស្រាយការប្រៀបធៀបមិនដឹងអ្វីសោះអំពីអត្ថន័យនៃខ្សែដែលកំពុងដំណើរការ។ ដូច្នេះ ខ្សែអក្សរដែលមានតែលេខមិនគួរប្រៀបធៀបជាលេខទេ ហើយក្នុងបញ្ជីឈ្មោះភាសាអង់គ្លេស អត្ថបទ (ក្រុម Beatles, នេះ។).

ដើម្បីបំពេញតម្រូវការទាំងអស់នេះ ក្បួនដោះស្រាយការតម្រៀបតារាងពហុកម្រិត (តាមពិតបួនកម្រិត) ត្រូវបានស្នើឡើង។

ពីមុន តួអក្សរក្នុងខ្សែអក្សរត្រូវបានកាត់បន្ថយទៅជាទម្រង់ Canonical ហើយដាក់ជាក្រុមទៅជាឯកតានៃការប្រៀបធៀប។ ឯកតានៃការប្រៀបធៀបនីមួយៗត្រូវបានផ្តល់ទម្ងន់ជាច្រើនដែលត្រូវគ្នាទៅនឹងកម្រិតជាច្រើននៃការប្រៀបធៀប។ ទម្ងន់នៃឯកតាប្រៀបធៀបគឺជាធាតុនៃសំណុំលំដាប់ (ក្នុងករណីនេះចំនួនគត់) ដែលអាចប្រៀបធៀបបានច្រើនឬតិច។ អត្ថន័យពិសេស មិនអើពើ (0x0) មានន័យថានៅកម្រិតប្រៀបធៀបដែលត្រូវគ្នា ឯកតានេះមិនពាក់ព័ន្ធនឹងការប្រៀបធៀបទេ។ ការប្រៀបធៀបខ្សែអាចត្រូវបានធ្វើម្តងទៀតច្រើនដង ដោយប្រើទម្ងន់នៃកម្រិតដែលត្រូវគ្នា។ នៅកម្រិតនីមួយៗ ទម្ងន់នៃឯកតាប្រៀបធៀបនៃជួរពីរត្រូវបានប្រៀបធៀបជាបន្តបន្ទាប់គ្នា។

នៅក្នុងការអនុវត្តផ្សេងគ្នានៃក្បួនដោះស្រាយសម្រាប់ប្រពៃណីជាតិផ្សេងៗគ្នា តម្លៃនៃមេគុណអាចខុសគ្នា ប៉ុន្តែស្តង់ដារយូនីកូដរួមបញ្ចូលតារាងទម្ងន់មូលដ្ឋាន - "តារាងធាតុផ្សំយូនីកូដលំនាំដើម" (DUCET) ខ្ញុំចង់កត់សម្គាល់ថាការកំណត់អថេរ LC_COLLATE តាមពិតគឺជាការចង្អុលបង្ហាញអំពីការជ្រើសរើសតារាងទម្ងន់នៅក្នុងមុខងារប្រៀបធៀបខ្សែអក្សរ។

មេគុណទម្ងន់ DUCET រៀបចំដូចខាងក្រោមៈ

នៅកម្រិតទី 1 អក្សរទាំងអស់ត្រូវបានកាត់បន្ថយទៅជាករណីដូចគ្នា លេខសម្គាល់ត្រូវបានលុបចោល សញ្ញាវណ្ណយុត្តិ (មិនមែនទាំងអស់) មិនត្រូវបានអើពើ។
នៅកម្រិតទីពីរ មានតែ diacritics ប៉ុណ្ណោះដែលត្រូវបានយកមកពិចារណា។
នៅកម្រិតទីបី មានតែករណីប៉ុណ្ណោះដែលត្រូវយកមកពិចារណា។
នៅកម្រិតទីបួន មានតែសញ្ញាវណ្ណយុត្តប៉ុណ្ណោះដែលត្រូវយកមកពិចារណា។

ការប្រៀបធៀបកើតឡើងក្នុងវគ្គជាច្រើន៖ ជាដំបូង មេគុណនៃកម្រិតទីមួយត្រូវបានប្រៀបធៀប។ ប្រសិនបើទម្ងន់ស្របគ្នា នោះការប្រៀបធៀបម្តងហើយម្តងទៀតជាមួយនឹងទម្ងន់កម្រិតទីពីរត្រូវបានអនុវត្ត។ បន្ទាប់មកប្រហែលជាទីបីនិងទីបួន។

ការប្រៀបធៀបបញ្ចប់នៅពេលដែលជួរដេកមានឯកតានៃការប្រៀបធៀបជាមួយនឹងទម្ងន់ខុសៗគ្នា។ ជួរដែលមានទម្ងន់ស្មើគ្នានៅគ្រប់កម្រិតទាំងបួនត្រូវបានចាត់ទុកថាស្មើគ្នា។

ក្បួនដោះស្រាយនេះ (ជាមួយនឹងព័ត៌មានលម្អិតបច្ចេកទេសបន្ថែម) បានផ្តល់ឈ្មោះឱ្យរាយការណ៍លេខ 10 - "ក្បួនដោះស្រាយការប្រមូលផ្តុំយូនីកូដ" (យូស៊ី).

នេះគឺជាកន្លែងដែលឥរិយាបថតម្រៀបពីឧទាហរណ៍របស់យើងកាន់តែច្បាស់បន្តិច។ វាជាការល្អក្នុងការប្រៀបធៀបវាជាមួយនឹងស្តង់ដារយូនីកូដ។

ដើម្បីសាកល្បងការអនុវត្ត យូស៊ី មានពិសេស ការធ្វើតេស្តនេះ, ដោយប្រើ ឯកសារទម្ងន់, ការអនុវត្ត DUCET. អ្នកអាចស្វែងរករឿងកំប្លែងគ្រប់ប្រភេទនៅក្នុងឯកសារជញ្ជីង។ ឧទាហរណ៍ មានលំដាប់នៃម៉ាចុង និងដូមីណូអ៊ឺរ៉ុប ក៏ដូចជាលំដាប់នៃឈុតនៅក្នុងសន្លឹកបៀ (និមិត្តសញ្ញា 1F000 និងបន្ថែមទៀត) ។ ឈុតកាតត្រូវបានដាក់ដោយយោងទៅតាមច្បាប់នៃស្ពាន - PCBT ហើយសន្លឹកបៀនៅក្នុងឈុតគឺស្ថិតនៅក្នុងលំដាប់ T, 2,3, XNUMX ... K ។

ការពិនិត្យមើលដោយដៃថាជួរដេកត្រូវបានតម្រៀបត្រឹមត្រូវតាម DUCET វាពិតជាគួរឱ្យធុញទ្រាន់ណាស់ ប៉ុន្តែជាសំណាងល្អសម្រាប់ពួកយើង មានការអនុវត្តគំរូនៃបណ្ណាល័យសម្រាប់ធ្វើការជាមួយយូនីកូដ -"សមាសភាគអន្តរជាតិសម្រាប់យូនីកូដ"(ICU).

នៅលើគេហទំព័រនៃបណ្ណាល័យនេះ បង្កើតឡើងក្នុង ក្រុមហ៊ុន IBMមានទំព័រសាកល្បង រួមទាំង ទំព័រក្បួនដោះស្រាយការប្រៀបធៀបខ្សែអក្សរ. យើងបញ្ចូលបន្ទាត់សាកល្បងរបស់យើងជាមួយនឹងការកំណត់លំនាំដើម ហើយមើលចុះ យើងទទួលបានការតម្រៀបជាភាសារុស្សីដ៏ល្អឥតខ្ចោះ។

Абаканов Михаил;маляр
Ёлкина Элла;крановщица
Иванов Андрей;слесарь
Иванова Алла;адвокат

ដោយវិធីនេះគេហទំព័រ ICU អ្នកអាចរកឃើញការបញ្ជាក់អំពីក្បួនដោះស្រាយការប្រៀបធៀបនៅពេលដំណើរការសញ្ញាវណ្ណយុត្តិ។ នៅក្នុងឧទាហរណ៍ សំណួរគេសួរញឹកញាប់អំពីការប្រមូលផ្តុំ apostrophe និងសហសញ្ញាមិនត្រូវបានអើពើ។

យូនីកូដបានជួយយើង ប៉ុន្តែរកមើលហេតុផលសម្រាប់អាកប្បកិរិយាចម្លែក ជោគវាសនា в Linux នឹងត្រូវទៅកន្លែងផ្សេង។

ការតម្រៀបនៅក្នុង glibc

ទិដ្ឋភាពរហ័សនៃកូដប្រភពឧបករណ៍ប្រើប្រាស់ ជោគវាសនា ពី ឧបករណ៍ប្រើប្រាស់ស្នូល GNU បានបង្ហាញថានៅក្នុងឧបករណ៍ប្រើប្រាស់ខ្លួនវា ការធ្វើមូលដ្ឋានីយកម្មចុះមកដើម្បីបោះពុម្ពតម្លៃបច្ចុប្បន្ននៃអថេរ LC_COLLATE នៅពេលដំណើរការក្នុងរបៀបបំបាត់កំហុស៖

$ sort --debug buhg.txt > buhg.srt
sort: using ‘en_US.UTF8’ sorting rules

ការប្រៀបធៀបខ្សែអក្សរត្រូវបានអនុវត្តដោយប្រើមុខងារស្តង់ដារ strcollដែលមានន័យថា អ្វីគ្រប់យ៉ាងដែលគួរឱ្យចាប់អារម្មណ៍គឺនៅក្នុងបណ្ណាល័យ glibc.

នៅលើ វិគី គម្រោង glibc ឧទ្ទិសដល់ការប្រៀបធៀបខ្សែអក្សរ កថាខណ្ឌមួយ។. ពីកថាខណ្ឌនេះវាអាចយល់បានថានៅក្នុង glibc ការតម្រៀបគឺផ្អែកលើក្បួនដោះស្រាយដែលយើងស្គាល់រួចមកហើយ យូស៊ី (ក្បួនដោះស្រាយការផ្សំយូនីកូដ) និង/ឬ តាមស្តង់ដារជិតនឹងវា។ ISO 14651 (លំដាប់ខ្សែអក្សរអន្តរជាតិ និងការប្រៀបធៀប) ទាក់ទងនឹងស្តង់ដារចុងក្រោយគេគួរកត់សំគាល់ថានៅលើគេហទំព័រ standard.iso.org ISO 14651 បានប្រកាសជាផ្លូវការថាមានជាសាធារណៈ ប៉ុន្តែតំណភ្ជាប់ដែលត្រូវគ្នានាំទៅដល់ទំព័រដែលមិនមាន។ Google ត្រឡប់ទំព័រជាច្រើនដែលមានតំណភ្ជាប់ទៅកាន់គេហទំព័រផ្លូវការដែលផ្តល់ជូនដើម្បីទិញច្បាប់ចម្លងអេឡិចត្រូនិកនៃស្តង់ដារសម្រាប់មួយរយអឺរ៉ូ ប៉ុន្តែនៅលើទំព័រទីបី ឬទីបួននៃលទ្ធផលស្វែងរកក៏មានតំណភ្ជាប់ផ្ទាល់ទៅកាន់ ជា PDF. ជាទូទៅ ស្តង់ដារគឺអនុវត្តមិនខុសពី យូស៊ីប៉ុន្តែវាគួរឱ្យធុញក្នុងការអានព្រោះវាមិនមានឧទាហរណ៍ច្បាស់លាស់នៃលក្ខណៈជាតិនៃការតម្រៀបខ្សែអក្សរ។

ព័ត៌មានគួរឱ្យចាប់អារម្មណ៍បំផុតនៅលើ វិគី មានតំណភ្ជាប់ទៅ កម្មវិធីតាមដានកំហុស ជាមួយនឹងការពិភាក្សាអំពីការអនុវត្តការប្រៀបធៀបខ្សែអក្សរនៅក្នុង glibc. ពីការពិភាក្សាវាអាចរៀនបាន។ glibc ប្រើដើម្បីប្រៀបធៀបខ្សែអក្សរ អាយអេសអូតុផ្ទាល់ខ្លួន តារាងគំរូទូទៅ (CTT) អាសយដ្ឋានដែលអាចត្រូវបានរកឃើញនៅក្នុងកម្មវិធី A ស្ដង់ដារ ISO 14651. រវាង 2000 និង 2015 តារាងនេះនៅក្នុង glibc មិនមានអ្នកថែទាំទេ ហើយមានភាពខុសគ្នាខ្លាំង (យ៉ាងហោចណាស់ខាងក្រៅ) ពីកំណែបច្ចុប្បន្ននៃស្តង់ដារ។ ពីឆ្នាំ 2015 ដល់ឆ្នាំ 2018 ការសម្របខ្លួនទៅនឹងកំណែថ្មីនៃតារាងបានកើតឡើង ហើយឥឡូវនេះអ្នកមានឱកាសជួបក្នុងជីវិតពិតនូវតារាងកំណែថ្មី (CentOS 8) និងចាស់ (CentOS 7).

ឥឡូវនេះ យើងមានព័ត៌មានទាំងអស់អំពីក្បួនដោះស្រាយ និងតារាងជំនួយ យើងអាចត្រឡប់ទៅបញ្ហាដើមវិញ ហើយយល់ពីរបៀបតម្រៀបខ្សែអក្សរឱ្យបានត្រឹមត្រូវនៅក្នុងមូលដ្ឋានរុស្ស៊ី។

អាយអេសអូ ១១៧៨៤/១១៧៨៥

កូដប្រភពនៃតារាងដែលយើងចាប់អារម្មណ៍ CTT នៅលើការចែកចាយភាគច្រើន Linux គឺនៅក្នុងកាតាឡុក /usr/share/i18n/locales/. តារាងខ្លួនវាស្ថិតនៅក្នុងឯកសារ iso14651_t1_common. បន្ទាប់មកនេះគឺជាការណែនាំឯកសារ ចម្លង iso14651_t1_common រួមបញ្ចូលនៅក្នុងឯកសារ iso14651_t1ដែលត្រូវបានបញ្ចូលក្នុងឯកសារជាតិ រួមទាំង en_US и ru_RU. នៅលើការចែកចាយភាគច្រើន Linux ឯកសារប្រភពទាំងអស់ត្រូវបានរួមបញ្ចូលក្នុងការដំឡើងមូលដ្ឋាន ប៉ុន្តែប្រសិនបើវាមិនមានវត្តមានទេ អ្នកនឹងត្រូវដំឡើងកញ្ចប់បន្ថែមពីការចែកចាយ។

រចនាសម្ព័ន្ធឯកសារ iso14651_t1 អាចហាក់ដូចជាពាក្យសំដីដ៏គួរឱ្យភ័យខ្លាច ជាមួយនឹងច្បាប់មិនច្បាស់លាស់សម្រាប់ការបង្កើតឈ្មោះ ប៉ុន្តែប្រសិនបើអ្នកក្រឡេកមើលវា អ្វីគ្រប់យ៉ាងគឺសាមញ្ញណាស់។ រចនាសម្ព័ន្ធត្រូវបានពិពណ៌នានៅក្នុងស្តង់ដារ ISO 14652ច្បាប់ចម្លងដែលអាចទាញយកបានពីគេហទំព័រ open-std.org. ការពិពណ៌នាផ្សេងទៀតនៃទម្រង់ឯកសារអាចត្រូវបានអាននៅក្នុង លក្ខណៈពិសេស POSIX ពី OpenGroup. ជាជម្រើសក្នុងការអានស្តង់ដារ អ្នកអាចសិក្សាកូដប្រភពនៃមុខងារ collate_read в glibc/locale/programs/ld-collate.c.

រចនាសម្ព័ន្ធឯកសារមើលទៅដូចនេះ៖

តាមលំនាំដើម តួអក្សរត្រូវបានប្រើជាតួអក្សររត់គេច ហើយចុងបន្ទាត់បន្ទាប់ពីតួអក្សរ # ជាមតិយោបល់។ និមិត្តសញ្ញាទាំងពីរអាចត្រូវបានកំណត់ឡើងវិញ ដែលជាអ្វីដែលត្រូវបានធ្វើនៅក្នុងកំណែថ្មីនៃតារាង៖

escape_char /
comment_char %

ឯកសារនឹងមានសញ្ញាសម្ងាត់ក្នុងទម្រង់ ឬ (កន្លែងណា x - លេខគោលដប់ប្រាំមួយ) ។ នេះគឺជាតំណាងគោលដប់ប្រាំមួយនៃចំណុចកូដយូនីកូដនៅក្នុងការអ៊ិនកូដ UCS-4 (UTF-32 ។) ធាតុផ្សេងទៀតទាំងអស់នៅក្នុងតង្កៀបមុំ (រួមទាំង , ៥ និងផ្សេងទៀត) ត្រូវបានចាត់ទុកថាជាថេរខ្សែអក្សរសាមញ្ញដែលមានអត្ថន័យតិចតួចនៅខាងក្រៅបរិបទ។

បន្ទាត់ LC_COLLATE ប្រាប់យើងថាបន្ទាប់នឹងចាប់ផ្តើមទិន្នន័យដែលពិពណ៌នាអំពីការប្រៀបធៀបនៃខ្សែអក្សរ។

ជាដំបូង ឈ្មោះត្រូវបានបញ្ជាក់សម្រាប់ទម្ងន់ក្នុងតារាងប្រៀបធៀប និងឈ្មោះសម្រាប់បន្សំនិមិត្តសញ្ញា។ ជាទូទៅឈ្មោះទាំងពីរប្រភេទជាកម្មសិទ្ធិរបស់អង្គភាពពីរផ្សេងគ្នា ប៉ុន្តែនៅក្នុងឯកសារពិតពួកវាត្រូវបានលាយបញ្ចូលគ្នា។ ឈ្មោះនៃទម្ងន់ត្រូវបានបញ្ជាក់ដោយពាក្យគន្លឹះ និមិត្តសញ្ញា - បន្សំ (តួអក្សរប្រៀបធៀប) ព្រោះនៅពេលធ្វើការប្រៀបធៀប តួអក្សរយូនីកូដដែលមានទម្ងន់ដូចគ្នានឹងត្រូវបានចាត់ទុកថាជាតួអក្សរសមមូល។

ប្រវែងសរុបនៃផ្នែកក្នុងការកែប្រែឯកសារបច្ចុប្បន្នគឺប្រហែល 900 បន្ទាត់។ ខ្ញុំបានទាញឧទាហរណ៍ពីកន្លែងជាច្រើន ដើម្បីបង្ហាញអំពីភាពត្រឹមត្រូវនៃឈ្មោះ និងប្រភេទមួយចំនួននៃវាក្យសម្ព័ន្ធ។

LC_COLLATE

collating-symbol <RES-1>
collating-symbol <BLK>
collating-symbol <MIN>
collating-symbol <WIDE>
...
collating-symbol <ARABIC>
collating-symbol <ETHPC>
collating-symbol <OSMANYA>
...
collating-symbol <S1D000>..<S1D35F>
collating-symbol <SFFFF> % Guaranteed largest symbol value. Keep at end of this list
...
collating-element <U0413_0301> from "<U0413><U0301>"
collating-element <U0413_0341> from "<U0413><U0341>"

collating-symbol កត់ត្រាខ្សែអក្សរ OSMANYA នៅក្នុងតារាងឈ្មោះជញ្ជីង
collating-symbol .. ចុះឈ្មោះលំដាប់នៃឈ្មោះដែលមានបុព្វបទ S និងបច្ច័យលេខគោលដប់ប្រាំមួយពី 1D000 រហូតដល់ទៅ ០០០D៣៩៧F.
ហ្វីហ្វហ្វីស в collating-symbol មើលទៅដូចជាចំនួនគត់ដែលមិនចុះហត្ថលេខាធំនៅក្នុងលេខគោលដប់ប្រាំមួយ ប៉ុន្តែ វាគ្រាន់តែជាឈ្មោះដែលអាចមើលទៅ
имя មានន័យថាចំណុចកូដក្នុងការអ៊ិនកូដ UCS-4
collating-element ពី "" ចុះឈ្មោះឈ្មោះថ្មីសម្រាប់ចំណុចយូនីកូដ។

នៅពេលដែលឈ្មោះនៃទម្ងន់ត្រូវបានកំណត់ ទម្ងន់ជាក់ស្តែងត្រូវបានបញ្ជាក់។ ដោយសារទំនាក់ទំនងធំជាងតិចមានបញ្ហាក្នុងការប្រៀបធៀប ទម្ងន់ត្រូវបានកំណត់ដោយលំដាប់សាមញ្ញនៃបញ្ជីឈ្មោះ។ ទម្ងន់ "ស្រាល" ត្រូវបានរាយបញ្ជីដំបូង បន្ទាប់មក "ធ្ងន់ជាង" ។ ខ្ញុំសូមរំលឹកអ្នកថា តួអក្សរយូនីកូដនីមួយៗត្រូវបានកំណត់ទម្ងន់បួនផ្សេងគ្នា។ នៅទីនេះពួកវាត្រូវបានបញ្ចូលគ្នាជាលំដាប់លំដាប់តែមួយ។ តាមទ្រឹស្ដី ឈ្មោះនិមិត្ដរូបណាមួយអាចត្រូវបានប្រើនៅកម្រិតណាក៏ដោយក្នុងចំណោមបួនកម្រិត ប៉ុន្តែការអត្ថាធិប្បាយបង្ហាញថាអ្នកអភិវឌ្ឍន៍បែងចែកឈ្មោះទៅជាកម្រិត។

% Symbolic weight assignments

% Third-level weight assignments
<RES-1>
<BLK>
<MIN>
<WIDE>
...
% Second-level weight assignments
<BASE>
<LOWLINE> % COMBINING LOW LINE
<PSILI> % COMBINING COMMA ABOVE
<DASIA> % COMBINING REVERSED COMMA ABOVE
...
% First-level weight assignments
<S0009> % HORIZONTAL TABULATION 
<S000A> % LINE FEED
<S000B> % VERTICAL TABULATION
...
<S0434> % CYRILLIC SMALL LETTER DE
<S0501> % CYRILLIC SMALL LETTER KOMI DE
<S0452> % CYRILLIC SMALL LETTER DJE
<S0503> % CYRILLIC SMALL LETTER KOMI DJE
<S0453> % CYRILLIC SMALL LETTER GJE
<S0499> % CYRILLIC SMALL LETTER ZE WITH DESCENDER
<S0435> % CYRILLIC SMALL LETTER IE
<S04D7> % CYRILLIC SMALL LETTER IE WITH BREVE
<S0454> % CYRILLIC SMALL LETTER UKRAINIAN IE
<S0436> % CYRILLIC SMALL LETTER ZHE

ទីបំផុតតារាងទម្ងន់ជាក់ស្តែង។

ផ្នែកទម្ងន់ត្រូវបានរុំព័ទ្ធក្នុងបន្ទាត់ពាក្យគន្លឹះ order_start и order_end. ជម្រើសបន្ថែម order_start កំណត់ថាតើជួរទិសដៅណាមួយត្រូវបានស្កេននៅកម្រិតនីមួយៗនៃការប្រៀបធៀប។ ការកំណត់លំនាំដើមគឺ ទៅមុខ. តួនៃផ្នែកមានបន្ទាត់ដែលមានលេខកូដនិមិត្តសញ្ញា និងទម្ងន់បួនរបស់វា។ កូដតួអក្សរអាចត្រូវបានតំណាងដោយតួអក្សរខ្លួនឯង ចំណុចកូដ ឬឈ្មោះនិមិត្តសញ្ញាដែលបានកំណត់ពីមុន។ ទម្ងន់ក៏អាចត្រូវបានផ្តល់ទៅឱ្យឈ្មោះនិមិត្តសញ្ញា ចំណុចកូដ ឬនិមិត្តសញ្ញាខ្លួនឯង។ ប្រសិនបើចំណុចកូដ ឬតួអក្សរត្រូវបានប្រើ នោះទម្ងន់របស់វាគឺដូចគ្នានឹងតម្លៃលេខនៃចំណុចកូដ (ទីតាំងក្នុងតារាងយូនីកូដ)។ តួអក្សរដែលមិនបានបញ្ជាក់ច្បាស់លាស់ (ដូចដែលខ្ញុំយល់) ត្រូវបានគេចាត់ទុកថាត្រូវបានចាត់ចូលក្នុងតារាងដែលមានទម្ងន់ចម្បងដែលត្រូវនឹងទីតាំងនៅក្នុងតារាងយូនីកូដ។ តម្លៃទម្ងន់ពិសេស មិនអើពើ មានន័យថានិមិត្តសញ្ញាមិនត្រូវបានគេអើពើនៅកម្រិតសមស្របនៃការប្រៀបធៀប។

ដើម្បីបង្ហាញពីរចនាសម្ព័ន្ធនៃជញ្ជីង ខ្ញុំបានជ្រើសរើសបំណែកជាក់ស្តែងចំនួនបី៖

តួអក្សរដែលមិនអើពើទាំងស្រុង
និមិត្តសញ្ញាស្មើនឹងលេខបីក្នុងកម្រិតពីរដំបូង
ការចាប់ផ្តើមនៃអក្ខរក្រម Cyrillic ដែលមិនមានគ្រាមភាសា ហើយដូច្នេះត្រូវបានតម្រៀបជាចម្បងដោយកម្រិតទីមួយ និងទីបី។

order_start forward;forward;forward;forward,position
<U0000> IGNORE;IGNORE;IGNORE;IGNORE % NULL (in 6429)
<U0001> IGNORE;IGNORE;IGNORE;IGNORE % START OF HEADING (in 6429)
<U0002> IGNORE;IGNORE;IGNORE;IGNORE % START OF TEXT (in 6429)
...
<U0033> <S0033>;<BASE>;<MIN>;<U0033> % DIGIT THREE
<UFF13> <S0033>;<BASE>;<WIDE>;<UFF13> % FULLWIDTH DIGIT THREE
<U2476> <S0033>;<BASE>;<COMPAT>;<U2476> % PARENTHESIZED DIGIT THREE
<U248A> <S0033>;<BASE>;<COMPAT>;<U248A> % DIGIT THREE FULL STOP
<U1D7D1> <S0033>;<BASE>;<FONT>;<U1D7D1> % MATHEMATICAL BOLD DIGIT THREE
...
<U0430> <S0430>;<BASE>;<MIN>;<U0430> % CYRILLIC SMALL LETTER A
<U0410> <S0430>;<BASE>;<CAP>;<U0410> % CYRILLIC CAPITAL LETTER A
<U04D1> <S04D1>;<BASE>;<MIN>;<U04D1> % CYRILLIC SMALL LETTER A WITH BREVE
<U0430_0306> <S04D1>;<BASE>;<MIN>;<U04D1> % CYRILLIC SMALL LETTER A WITH BREVE
...
<U0431> <S0431>;<BASE>;<MIN>;<U0431> % CYRILLIC SMALL LETTER BE
<U0411> <S0431>;<BASE>;<CAP>;<U0411> % CYRILLIC CAPITAL LETTER BE
<U0432> <S0432>;<BASE>;<MIN>;<U0432> % CYRILLIC SMALL LETTER VE
<U0412> <S0432>;<BASE>;<CAP>;<U0412> % CYRILLIC CAPITAL LETTER VE
...
order_end

ឥឡូវអ្នកអាចត្រឡប់ទៅតម្រៀបឧទាហរណ៍ពីដើមអត្ថបទ។ ការវាយឆ្មក់ស្ថិតនៅក្នុងផ្នែកនៃតារាងទម្ងន់នេះ៖

<U0020> IGNORE;IGNORE;IGNORE;<U0020> % SPACE
<U0021> IGNORE;IGNORE;IGNORE;<U0021> % EXCLAMATION MARK
<U0022> IGNORE;IGNORE;IGNORE;<U0022> % QUOTATION MARK
...

វាអាចត្រូវបានគេមើលឃើញថានៅក្នុងតារាងនេះសញ្ញាវណ្ណយុត្តិពីតារាង ASCII (រួមទាំងលំហ) ស្ទើរតែតែងតែមិនអើពើនៅពេលប្រៀបធៀបខ្សែអក្សរ។ ការលើកលែងតែមួយគត់គឺបន្ទាត់ដែលត្រូវគ្នានៅក្នុងអ្វីគ្រប់យ៉ាង លើកលែងតែសញ្ញាវណ្ណយុត្តិដែលរកឃើញនៅក្នុងមុខតំណែងដែលត្រូវគ្នា។ បន្ទាត់ពីឧទាហរណ៍របស់ខ្ញុំ (បន្ទាប់ពីការតម្រៀប) សម្រាប់ក្បួនដោះស្រាយប្រៀបធៀបមើលទៅដូចនេះ៖

АбакановМихаилмаляр
ЁлкинаЭллакрановщица
ИвановаАлламаляр
ИвановАндрейслесарь

ដោយពិចារណាថានៅក្នុងតារាងមាត្រដ្ឋាន អក្សរធំជាភាសារុស្សីមកបន្ទាប់ពីអក្សរតូច (នៅកម្រិតទីបី។ ធ្ងន់ជាង ) ការតម្រៀបមើលទៅពិតជាត្រឹមត្រូវ។

នៅពេលកំណត់អថេរ LC_COLLATE=គ តារាងពិសេសមួយត្រូវបានផ្ទុក ដែលបញ្ជាក់ពីការប្រៀបធៀបបៃបៃបៃ

static const uint32_t collseqwc[] =
{
  8, 1, 8, 0x0, 0xff,
  /* 1st-level table */
  6 * sizeof (uint32_t),
  /* 2nd-level table */
  7 * sizeof (uint32_t),
  /* 3rd-level table */
  L'x00', L'x01', L'x02', L'x03', L'x04', L'x05', L'x06', L'x07',
  L'x08', L'x09', L'x0a', L'x0b', L'x0c', L'x0d', L'x0e', L'x0f',

...
  L'xf8', L'xf9', L'xfa', L'xfb', L'xfc', L'xfd', L'xfe', L'xff'
};

ដោយសារនៅក្នុងយូនីកូដ ចំណុចកូដ Ё មកមុន A ខ្សែអក្សរត្រូវបានតម្រៀបតាម។

តារាងអត្ថបទ និងគោលពីរ

ជាក់ស្តែង ការប្រៀបធៀបខ្សែអក្សរគឺជាប្រតិបត្តិការធម្មតាបំផុត ហើយការញែកតារាង CTT នីតិវិធីថ្លៃណាស់។ ដើម្បីបង្កើនប្រសិទ្ធភាពការចូលប្រើតារាងវាត្រូវបានចងក្រងជាទម្រង់គោលពីរដោយប្រើពាក្យបញ្ជា localdef.

ក្រុមការងារ localdef ទទួលយកជាប៉ារ៉ាម៉ែត្រឯកសារដែលមានតារាងលក្ខណៈជាតិ (ជម្រើស -i) ដែលតួអក្សរទាំងអស់ត្រូវបានតំណាងដោយចំណុចយូនីកូដ និងឯកសារនៃការឆ្លើយឆ្លងរវាងចំណុចយូនីកូដ និងតួអក្សរនៃការអ៊ិនកូដជាក់លាក់មួយ (ជម្រើស -f) ជាលទ្ធផលនៃការងារឯកសារគោលពីរត្រូវបានបង្កើតសម្រាប់មូលដ្ឋានដែលមានឈ្មោះដែលបានបញ្ជាក់នៅក្នុងប៉ារ៉ាម៉ែត្រចុងក្រោយ។

គ្លីប គាំទ្រទ្រង់ទ្រាយឯកសារគោលពីរ៖ "ប្រពៃណី" និង "ទំនើប" ។

ទម្រង់ប្រពៃណីមានន័យថាឈ្មោះនៃមូលដ្ឋានគឺជាឈ្មោះនៃថតរងនៅក្នុង /usr/lib/locale/. ថតរងនេះរក្សាទុកឯកសារគោលពីរ LC_COLLATE, LC_CTYPE, LC_TIME លល។ ឯកសារ LC_IDENTIFICATION មានឈ្មោះផ្លូវការនៃមូលដ្ឋាន (ដែលអាចខុសពីឈ្មោះថត) និងមតិយោបល់។

ទម្រង់ទំនើបពាក់ព័ន្ធនឹងការរក្សាទុកមូលដ្ឋានទាំងអស់នៅក្នុងប័ណ្ណសារតែមួយ /usr/lib/locale/locale-archiveដែលត្រូវបានគូសផែនទីទៅនឹងសតិនិម្មិតនៃដំណើរការទាំងអស់ដោយប្រើ glibc. ឈ្មោះមូលដ្ឋានក្នុងទ្រង់ទ្រាយទំនើបគឺស្ថិតនៅក្នុងការបំប្លែងឈ្មោះមួយចំនួន - មានតែលេខ និងអក្សរដែលបានកាត់ជាអក្សរតូចប៉ុណ្ណោះដែលនៅមានក្នុងឈ្មោះបំប្លែង។ ដូច្នេះ ru_RU.KOI8-Rនឹងត្រូវបានរក្សាទុកជា ru_RU.koi8r.

ឯកសារបញ្ចូលត្រូវបានស្វែងរកនៅក្នុងថតបច្ចុប្បន្ន ក៏ដូចជានៅក្នុងថតផងដែរ។ /usr/share/i18n/locales/ и /usr/share/i18n/charmaps/ សម្រាប់ឯកសារ CTT និងការអ៊ិនកូដឯកសាររៀងៗខ្លួន។

ឧទាហរណ៍ពាក្យបញ្ជា

localedef -i ru_RU -f MAC-CYRILLIC ru_RU.MAC-CYRILLIC

នឹងចងក្រងឯកសារ /usr/share/i18n/locales/ru_RU ដោយប្រើឯកសារអ៊ិនកូដ /usr/share/i18n/charmaps/MAC-CYRILLIC.gz ហើយរក្សាទុកលទ្ធផលនៅក្នុង /usr/lib/locale/locale-archive នៅក្រោមឈ្មោះ ru_RU.maccyrillic

ប្រសិនបើអ្នកកំណត់អថេរ LANG = en_US.UTF-8 នោះ glibc នឹងរកមើលប្រព័ន្ធគោលពីរតាមលំដាប់នៃឯកសារ និងថតខាងក្រោម៖

/usr/lib/locale/locale-archive
/usr/lib/locale/en_US.UTF-8/
/usr/lib/locale/en_US/
/usr/lib/locale/enUTF-8/
/usr/lib/locale/en/

ប្រសិនបើមូលដ្ឋានកើតឡើងទាំងទម្រង់បែបប្រពៃណី និងទំនើប នោះអាទិភាពត្រូវបានផ្តល់ទៅឱ្យសម័យទំនើប។

អ្នកអាចមើលបញ្ជីនៃមូលដ្ឋានដែលបានចងក្រងដោយប្រើពាក្យបញ្ជា មូលដ្ឋាន -a.

កំពុងរៀបចំតារាងប្រៀបធៀបរបស់អ្នក។

ឥឡូវនេះ ប្រដាប់ដោយចំណេះដឹង អ្នកអាចបង្កើតតារាងប្រៀបធៀបខ្សែអក្សរដ៏ល្អផ្ទាល់ខ្លួនរបស់អ្នក។ តារាងនេះគួរប្រៀបធៀបអក្សររុស្ស៊ីឱ្យបានត្រឹមត្រូវ រួមទាំងអក្សរ Ё ហើយក្នុងពេលតែមួយត្រូវគិតពីសញ្ញាវណ្ណយុត្តិស្របតាមតារាង។ ASCII.

ដំណើរការនៃការរៀបចំតារាងតម្រៀបផ្ទាល់ខ្លួនរបស់អ្នកមានពីរដំណាក់កាល៖ កែសម្រួលតារាងទម្ងន់ និងចងក្រងវាទៅជាទម្រង់គោលពីរដោយប្រើពាក្យបញ្ជា localdef.

ដើម្បីឱ្យតារាងប្រៀបធៀបត្រូវបានកែតម្រូវជាមួយនឹងការចំណាយលើការកែសម្រួលតិចតួចបំផុតក្នុងទម្រង់ ISO 14652 ផ្នែកសម្រាប់កែតម្រូវទម្ងន់នៃតារាងដែលមានស្រាប់ត្រូវបានផ្តល់ជូន។ ផ្នែកចាប់ផ្តើមដោយពាក្យគន្លឹះ លំដាប់ឡើងវិញ - បន្ទាប់ពី និងបង្ហាញពីទីតាំងបន្ទាប់ពីការជំនួសត្រូវបានអនុវត្ត។ ផ្នែកបញ្ចប់ដោយបន្ទាត់ លំដាប់ឡើងវិញ - បញ្ចប់. ប្រសិនបើចាំបាច់ត្រូវកែផ្នែកជាច្រើននៃតារាង នោះផ្នែកមួយត្រូវបានបង្កើតឡើងសម្រាប់ផ្នែកនីមួយៗ។

ខ្ញុំបានចម្លងកំណែថ្មីនៃឯកសារ iso14651_t1_common и ru_RU ពីឃ្លាំង glibc ទៅកាន់ថតផ្ទះរបស់ខ្ញុំ ~/.local/share/i18n/locales/ ហើយបានកែសម្រួលផ្នែកនេះបន្តិច LC_COLLATE в ru_RU. កំណែថ្មីនៃឯកសារគឺត្រូវគ្នាយ៉ាងពេញលេញជាមួយកំណែរបស់ខ្ញុំ glibc. ប្រសិនបើអ្នកចង់ប្រើកំណែចាស់នៃឯកសារ អ្នកនឹងត្រូវផ្លាស់ប្តូរឈ្មោះនិមិត្តសញ្ញា និងកន្លែងដែលការជំនួសចាប់ផ្តើមនៅក្នុងតារាង។

LC_COLLATE
% Copy the template from ISO/IEC 14651
copy "iso14651_t1"
reorder-after <U000D>
<U0020> <S0020>;<BASE>;<MIN>;<U0020> % SPACE
<U0021> <S0021>;<BASE>;<MIN>;<U0021> % EXCLAMATION MARK
<U0022> <S0022>;<BASE>;<MIN>;<U0022> % QUOTATION MARK
...
<U007D> <S007D>;<BASE>;<MIN>;<U007D> % RIGHT CURLY BRACKET
<U007E> <S007E>;<BASE>;<MIN>;<U007E> % TILDE
reorder-end
END LC_COLLATE

ជាការពិត វានឹងចាំបាច់ក្នុងការផ្លាស់ប្តូរវាលនៅក្នុង LC_IDENTIFICATION ដូច្នេះពួកគេចង្អុលទៅតំបន់ ru_MYប៉ុន្តែក្នុងឧទាហរណ៍របស់ខ្ញុំ វាមិនត្រូវបានទាមទារទេ ដោយសារខ្ញុំបានដកប័ណ្ណសារពីការស្វែងរកមូលដ្ឋាន locale-archive.

ថា localdef ធ្វើការជាមួយឯកសារនៅក្នុងថតរបស់ខ្ញុំតាមរយៈអថេរ I18NPATH អ្នកអាចបន្ថែមថតឯកសារបន្ថែមដើម្បីស្វែងរកឯកសារបញ្ចូល ហើយថតឯកសារដើម្បីរក្សាទុកឯកសារគោលពីរអាចត្រូវបានបញ្ជាក់ជាផ្លូវដែលមានសញ្ញាចុច៖

$> I18NPATH=~/.local/share/i18n localedef -i ru_RU -f UTF-8 ~/.local/lib/locale/ru_MY.UTF-8

POSIX សន្មតថានៅក្នុង ឡាំង អ្នកអាចសរសេរផ្លូវដាច់ខាតទៅកាន់ថតដោយប្រើឯកសារមូលដ្ឋាន ដោយចាប់ផ្តើមដោយសញ្ញាកាត់ទៅមុខ ប៉ុន្តែ glibc в Linux ផ្លូវទាំងអស់ត្រូវបានរាប់ពីថតមូលដ្ឋាន ដែលអាចត្រូវបានបដិសេធតាមរយៈអថេរមួយ។ ឡុកផាត. បន្ទាប់ពីការដំឡើង LOCPATH=~/.local/lib/locale/ ឯកសារទាំងអស់ដែលទាក់ទងនឹងការធ្វើមូលដ្ឋានីយកម្មនឹងត្រូវបានស្វែងរកតែនៅក្នុងថតរបស់ខ្ញុំប៉ុណ្ណោះ។ បណ្ណសារនៃមូលដ្ឋានជាមួយសំណុំអថេរ ឡុកផាត មិនអើពើ។

នេះគឺជាការធ្វើតេស្តសម្រេចចិត្ត:

$> LANG=ru_MY.UTF-8 LOCPATH=~/.local/lib/locale/ sort buhg.txt
Абаканов Михаил;маляр
Ёлкина Элла;крановщица
Иванов Андрей;слесарь
Иванова Алла;адвокат

ហ៊ឺយ! យើងបានធ្វើវា!

កំហុសក្នុងការដោះស្រាយ

ខ្ញុំបានឆ្លើយសំណួរអំពីការតម្រៀបខ្សែដែលបានដាក់នៅដើមដំបូងរួចហើយ ប៉ុន្តែនៅមានសំណួរពីរបីអំពីកំហុសដែលអាចមើលឃើញ និងមើលមិនឃើញ។

ចូរយើងត្រលប់ទៅបញ្ហាដើមវិញ។

និងកម្មវិធី ជោគវាសនា និងកម្មវិធី ចូលរួម ប្រើមុខងារប្រៀបធៀបខ្សែអក្សរដូចគ្នាពី glibc. តើវាកើតឡើងដោយរបៀបណា ចូលរួម បានផ្តល់កំហុសក្នុងការតម្រៀបលើជួរដេកដែលបានតម្រៀបតាមពាក្យបញ្ជា ជោគវាសនា នៅក្នុងស្រុក en_US.UTF-8? ចម្លើយគឺសាមញ្ញ៖ ជោគវាសនា ប្រៀបធៀបខ្សែអក្សរទាំងមូល និង ចូលរួម ប្រៀបធៀបតែគ្រាប់ចុច ដែលតាមលំនាំដើមគឺជាការចាប់ផ្តើមនៃខ្សែអក្សររហូតដល់តួអក្សរដកឃ្លាដំបូង។ ក្នុងឧទាហរណ៍របស់ខ្ញុំ វាបណ្តាលឱ្យមានសារកំហុសមួយ ដោយសារការតម្រៀបពាក្យដំបូងក្នុងបន្ទាត់មិនត្រូវគ្នានឹងការតម្រៀបនៃបន្ទាត់ពេញលេញនោះទេ។

ទីតាំង "គ" ធានាថានៅក្នុងខ្សែអក្សរដែលបានតម្រៀប ខ្សែអក្សររងដំបូងរហូតដល់ដកឃ្លាដំបូងក៏នឹងត្រូវបានតម្រៀបដែរ ប៉ុន្តែវាបិទបាំងតែកំហុសប៉ុណ្ណោះ។ វាអាចទៅរួចក្នុងការជ្រើសរើសទិន្នន័យ (អ្នកដែលមាននាមត្រកូលដូចគ្នា ប៉ុន្តែឈ្មោះផ្សេងគ្នា) ដែលដោយគ្មានសារកំហុស នឹងផ្តល់លទ្ធផលបញ្ចូលឯកសារមិនត្រឹមត្រូវ។ ប្រសិនបើយើងចង់ ចូលរួម បញ្ចូលបន្ទាត់ឯកសារដោយឈ្មោះពេញ នោះវិធីត្រឹមត្រូវគឺត្រូវបញ្ជាក់យ៉ាងច្បាស់ពីសញ្ញាបំបែកវាល ហើយតម្រៀបតាមវាលគន្លឹះ មិនមែនដោយបន្ទាត់ទាំងមូលទេ។ ក្នុងករណីនេះ ការបញ្ចូលគ្នានឹងដំណើរការយ៉ាងត្រឹមត្រូវ ហើយនឹងមិនមានកំហុសក្នុងមូលដ្ឋានណាមួយឡើយ៖

$> sort -t ; -k 1 buhg.txt > buhg.srt
$> sort -t ; -k 1 mail.txt > mail.srt
$> join -t ; buhg.srt mail.srt > result

បានអនុវត្តឧទាហរណ៍ដោយជោគជ័យក្នុងការអ៊ិនកូដ CP1251 មានកំហុសមួយទៀត។ ការពិតគឺថានៅក្នុងការចែកចាយទាំងអស់ដែលខ្ញុំស្គាល់ Linux កញ្ចប់ត្រូវបានបាត់មូលដ្ឋានដែលបានចងក្រង ru_RU.CP1251. ប្រសិនបើរកមិនឃើញមូលដ្ឋានដែលបានចងក្រង នោះ ជោគវាសនា ដោយស្ងៀមស្ងាត់ប្រើការប្រៀបធៀបបៃបៃបៃ ដែលជាអ្វីដែលយើងសង្កេតឃើញ។

ដោយវិធីនេះ មានកំហុសតូចមួយផ្សេងទៀតដែលទាក់ទងនឹងភាពមិនអាចចូលដំណើរការបាននៃមូលដ្ឋានដែលបានចងក្រង។ ក្រុម LOCPATH=/tmp locale -a នឹងផ្តល់បញ្ជីនៃតំបន់ទាំងអស់នៅក្នុង locale-archiveប៉ុន្តែជាមួយនឹងសំណុំអថេរ ឡុកផាត សម្រាប់កម្មវិធីទាំងអស់ (រួមទាំងច្រើនបំផុត ក្នុងតំបន់) មូលដ្ឋានទាំងនេះនឹងមិនមានទេ។

$> LOCPATH=/tmp locale -a | grep en_US
locale: Cannot set LC_CTYPE to default locale: No such file or directory
locale: Cannot set LC_MESSAGES to default locale: No such file or directory
locale: Cannot set LC_COLLATE to default locale: No such file or directory
en_US
en_US.iso88591
en_US.iso885915
en_US.utf8

$> LC_COLLATE=en_US.UTF-8 sort --debug
sort: using ‘en_US.UTF-8’ sorting rules

$> LOCPATH=/tmp LC_COLLATE=en_US.UTF-8 sort --debug
sort: using simple byte comparison

សេចក្តីសន្និដ្ឋាន

ប្រសិនបើអ្នកជាអ្នកសរសេរកម្មវិធីដែលធ្លាប់គិតថាខ្សែអក្សរគឺជាសំណុំនៃបៃ នោះជម្រើសរបស់អ្នក។ LC_COLLATE=គ.

ប្រសិនបើអ្នកជាអ្នកចងក្រងភាសា ឬវចនានុក្រម អ្នកចងក្រងនៅក្នុងមូលដ្ឋានរបស់អ្នកកាន់តែប្រសើរ។

ប្រសិនបើអ្នកជាអ្នកប្រើប្រាស់សាមញ្ញ នោះអ្នកគ្រាន់តែត្រូវប្រើដើម្បីប្រើពាក្យបញ្ជា លីត្រ -a ។ លទ្ធផលឯកសារដែលចាប់ផ្តើមដោយចំនុច លាយជាមួយនឹងឯកសារដែលចាប់ផ្តើមដោយអក្សរ និង មេបញ្ជាការកណ្តាលអធ្រាត្រដែលប្រើមុខងារខាងក្នុងរបស់វាដើម្បីតម្រៀបឈ្មោះ ដាក់ឯកសារចាប់ផ្តើមដោយចំនុចនៅដើមបញ្ជី។