ਜਾਣ ਪਛਾਣ

ਇਹ ਸਭ ਇੱਕ ਛੋਟੀ ਸਕ੍ਰਿਪਟ ਨਾਲ ਸ਼ੁਰੂ ਹੋਇਆ ਸੀ ਜੋ ਪਤਾ ਜਾਣਕਾਰੀ ਨੂੰ ਜੋੜਨਾ ਸੀ ਈ-ਮੇਲ ਮੇਲਿੰਗ ਲਿਸਟ ਉਪਭੋਗਤਾਵਾਂ ਦੀ ਸੂਚੀ ਤੋਂ ਪ੍ਰਾਪਤ ਕਰਮਚਾਰੀ, HR ਵਿਭਾਗ ਦੇ ਡੇਟਾਬੇਸ ਤੋਂ ਪ੍ਰਾਪਤ ਕਰਮਚਾਰੀ ਅਹੁਦਿਆਂ ਦੇ ਨਾਲ। ਦੋਵੇਂ ਸੂਚੀਆਂ ਯੂਨੀਕੋਡ ਟੈਕਸਟ ਫਾਈਲਾਂ ਵਿੱਚ ਨਿਰਯਾਤ ਕੀਤੀਆਂ ਗਈਆਂ ਸਨ UTF- 8 ਅਤੇ ਯੂਨਿਕਸ ਲਾਈਨ ਦੇ ਅੰਤ ਨਾਲ ਸੁਰੱਖਿਅਤ ਕੀਤਾ ਗਿਆ।

ਸਮੱਗਰੀ mail.txt

Иванов Андрей;[email protected]

ਸਮੱਗਰੀ buhg.txt

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

ਮਿਲਾਉਣ ਲਈ, ਫਾਈਲਾਂ ਨੂੰ ਯੂਨਿਕਸ ਕਮਾਂਡ ਦੁਆਰਾ ਕ੍ਰਮਬੱਧ ਕੀਤਾ ਗਿਆ ਸੀ ਲੜੀਬੱਧ ਅਤੇ ਯੂਨਿਕਸ ਪ੍ਰੋਗਰਾਮ ਦੇ ਇਨਪੁਟ ਨੂੰ ਜਮ੍ਹਾ ਕੀਤਾ ਜੁੜੋ, ਜੋ ਕਿ ਇੱਕ ਗਲਤੀ ਨਾਲ ਅਚਾਨਕ ਅਸਫਲ ਹੋਇਆ:

$> 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

ਛਾਂਟੀ ਦੇ ਨਤੀਜੇ ਨੂੰ ਤੁਹਾਡੀਆਂ ਅੱਖਾਂ ਨਾਲ ਵੇਖਣਾ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ, ਆਮ ਤੌਰ 'ਤੇ, ਛਾਂਟੀ ਸਹੀ ਹੈ, ਪਰ ਨਰ ਅਤੇ ਮਾਦਾ ਉਪਨਾਮ ਦੇ ਸੰਜੋਗ ਦੇ ਮਾਮਲੇ ਵਿੱਚ, ਮਾਦਾ ਪੁਰਸ਼ਾਂ ਤੋਂ ਪਹਿਲਾਂ ਆਉਂਦੇ ਹਨ:

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

ਯੂਨੀਕੋਡ ਵਿੱਚ ਛਾਂਟਣ ਵਾਲੀ ਗਲਤੀ ਜਾਂ ਛਾਂਟੀ ਐਲਗੋਰਿਦਮ ਵਿੱਚ ਨਾਰੀਵਾਦ ਦੇ ਪ੍ਰਗਟਾਵੇ ਵਰਗਾ ਲੱਗਦਾ ਹੈ। ਪਹਿਲਾ, ਬੇਸ਼ੱਕ, ਵਧੇਰੇ ਸਮਝਦਾਰ ਹੈ.

ਚਲੋ ਇਸਨੂੰ ਫਿਲਹਾਲ ਬੰਦ ਕਰ ਦੇਈਏ ਜੁੜੋ ਅਤੇ 'ਤੇ ਫੋਕਸ ਲੜੀਬੱਧ. ਆਉ ਵਿਗਿਆਨਕ ਪੋਕਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੀਏ. ਪਹਿਲਾਂ, ਆਓ ਲੋਕੇਲ ਨੂੰ ਇਸ ਤੋਂ ਬਦਲੀਏ ਫੇਡੋਰਾ 'ਤੇ ru_RU. ਕ੍ਰਮਬੱਧ ਕਰਨ ਲਈ, ਇਹ ਵਾਤਾਵਰਣ ਵੇਰੀਏਬਲ ਸੈੱਟ ਕਰਨ ਲਈ ਕਾਫੀ ਹੋਵੇਗਾ LC_COLLATE, ਪਰ ਅਸੀਂ ਛੋਟੀਆਂ ਗੱਲਾਂ 'ਤੇ ਸਮਾਂ ਬਰਬਾਦ ਨਹੀਂ ਕਰਾਂਗੇ:

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

ਕੁਝ ਨਹੀਂ ਬਦਲਿਆ।

ਆਉ ਇੱਕ ਸਿੰਗਲ-ਬਾਈਟ ਏਨਕੋਡਿੰਗ ਵਿੱਚ ਫਾਈਲਾਂ ਨੂੰ ਰੀਕੋਡ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੀਏ:

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

ਦੁਬਾਰਾ ਕੁਝ ਵੀ ਨਹੀਂ ਬਦਲਿਆ.

ਤੁਸੀਂ ਕੁਝ ਨਹੀਂ ਕਰ ਸਕਦੇ, ਤੁਹਾਨੂੰ ਇੰਟਰਨੈੱਟ 'ਤੇ ਹੱਲ ਲੱਭਣਾ ਪਵੇਗਾ। ਰੂਸੀ ਉਪਨਾਮਾਂ ਬਾਰੇ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਕੁਝ ਨਹੀਂ ਹੈ, ਪਰ ਹੋਰ ਛਾਂਟੀ ਦੀਆਂ ਅਜੀਬਤਾਵਾਂ ਬਾਰੇ ਸਵਾਲ ਹਨ. ਉਦਾਹਰਨ ਲਈ, ਇੱਥੇ ਇੱਕ ਸਮੱਸਿਆ ਹੈ: ਯੂਨਿਕਸ ਕ੍ਰਮਬੱਧ '-' (ਡੈਸ਼) ਅੱਖਰਾਂ ਨੂੰ ਅਦਿੱਖ ਮੰਨਦਾ ਹੈ. ਸੰਖੇਪ ਵਿੱਚ, "ab", "aa", "ac" ਨੂੰ "aa", "ab", "ac" ਦੇ ਰੂਪ ਵਿੱਚ ਕ੍ਰਮਬੱਧ ਕੀਤਾ ਗਿਆ ਹੈ।

ਜਵਾਬ ਹਰ ਥਾਂ ਮਿਆਰੀ ਹੈ: ਪ੍ਰੋਗਰਾਮਰ ਲੋਕੇਲ ਦੀ ਵਰਤੋਂ ਕਰੋ "ਸੀ" ਅਤੇ ਤੁਸੀਂ ਖੁਸ਼ ਹੋਵੋਗੇ। ਆਓ ਕੋਸ਼ਿਸ਼ ਕਰੀਏ:

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

ਕੁਝ ਬਦਲ ਗਿਆ ਹੈ। ਇਵਾਨੋਵਜ਼ ਸਹੀ ਕ੍ਰਮ ਵਿੱਚ ਲਾਈਨ ਵਿੱਚ ਖੜ੍ਹੇ ਸਨ, ਹਾਲਾਂਕਿ ਯੋਲਕੀਨਾ ਕਿਤੇ ਫਿਸਲ ਗਈ ਸੀ। ਆਉ ਮੂਲ ਸਮੱਸਿਆ ਵੱਲ ਮੁੜਦੇ ਹਾਂ:

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

ਇਹ ਬਿਨਾਂ ਕਿਸੇ ਗਲਤੀ ਦੇ ਕੰਮ ਕਰਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਇੰਟਰਨੈਟ ਨੇ ਵਾਅਦਾ ਕੀਤਾ ਸੀ। ਅਤੇ ਇਹ ਪਹਿਲੀ ਲਾਈਨ ਵਿੱਚ ਯੋਲਕੀਨਾ ਦੇ ਬਾਵਜੂਦ.

ਸਮੱਸਿਆ ਹੱਲ ਹੋ ਗਈ ਜਾਪਦੀ ਹੈ, ਪਰ ਸਿਰਫ ਇਸ ਸਥਿਤੀ ਵਿੱਚ, ਆਓ ਇੱਕ ਹੋਰ ਰੂਸੀ ਏਨਕੋਡਿੰਗ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੀਏ - ਵਿੰਡੋਜ਼ CP1251:

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

ਛਾਂਟੀ ਦਾ ਨਤੀਜਾ, ਅਜੀਬ ਤੌਰ 'ਤੇ, ਲੋਕੇਲ ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੋਵੇਗਾ "ਸੀ", ਅਤੇ ਪੂਰੀ ਉਦਾਹਰਨ, ਇਸਦੇ ਅਨੁਸਾਰ, ਬਿਨਾਂ ਕਿਸੇ ਗਲਤੀ ਦੇ ਚੱਲਦੀ ਹੈ. ਕਿਸੇ ਕਿਸਮ ਦਾ ਰਹੱਸਵਾਦ।

ਮੈਨੂੰ ਪ੍ਰੋਗਰਾਮਿੰਗ ਵਿੱਚ ਰਹੱਸਵਾਦ ਪਸੰਦ ਨਹੀਂ ਹੈ ਕਿਉਂਕਿ ਇਹ ਆਮ ਤੌਰ 'ਤੇ ਗਲਤੀਆਂ ਨੂੰ ਲੁਕਾਉਂਦਾ ਹੈ। ਸਾਨੂੰ ਗੰਭੀਰਤਾ ਨਾਲ ਦੇਖਣਾ ਹੋਵੇਗਾ ਕਿ ਇਹ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ। ਲੜੀਬੱਧ ਅਤੇ ਇਹ ਕੀ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ? LC_COLLATE .

ਅੰਤ ਵਿੱਚ ਮੈਂ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਾਂਗਾ:

• ਔਰਤਾਂ ਦੇ ਉਪਨਾਂ ਨੂੰ ਗਲਤ ਤਰੀਕੇ ਨਾਲ ਕਿਉਂ ਛਾਂਟਿਆ ਗਿਆ ਸੀ?
• ਕਿਉਂ LANG=ru_RU.CP1251 ਦੇ ਬਰਾਬਰ ਨਿਕਲਿਆ ਲੈਂਗ = ਸੀ
• ਕਿਉਂ ਕਰਦੇ ਹਨ ਲੜੀਬੱਧ и ਜੁੜੋ ਕ੍ਰਮਬੱਧ ਸਤਰਾਂ ਦੇ ਕ੍ਰਮ ਬਾਰੇ ਵੱਖੋ-ਵੱਖਰੇ ਵਿਚਾਰ
• ਮੇਰੀਆਂ ਸਾਰੀਆਂ ਉਦਾਹਰਣਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਕਿਉਂ ਹਨ?
• ਅੰਤ ਵਿੱਚ ਤੁਹਾਡੀ ਪਸੰਦ ਦੇ ਅਨੁਸਾਰ ਤਾਰਾਂ ਨੂੰ ਕਿਵੇਂ ਕ੍ਰਮਬੱਧ ਕਰਨਾ ਹੈ

ਯੂਨੀਕੋਡ ਵਿੱਚ ਛਾਂਟੀ

ਪਹਿਲਾ ਸਟਾਪ ਤਕਨੀਕੀ ਰਿਪੋਰਟ ਨੰਬਰ 10 ਦਾ ਹੱਕਦਾਰ ਹੋਵੇਗਾ ਯੂਨੀਕੋਡ ਕੋਲੇਸ਼ਨ ਐਲਗੋਰਿਦਮ ਆਨਲਾਈਨ unicode.org. ਰਿਪੋਰਟ ਵਿੱਚ ਬਹੁਤ ਸਾਰੇ ਤਕਨੀਕੀ ਵੇਰਵੇ ਸ਼ਾਮਲ ਹਨ, ਇਸ ਲਈ ਮੈਨੂੰ ਮੁੱਖ ਵਿਚਾਰਾਂ ਦਾ ਇੱਕ ਸੰਖੇਪ ਸਾਰ ਦੇਣ ਦਿਓ।

ਸੰਸ਼ੋਧਨ - "ਤੁਲਨਾ" ਸਤਰ ਕਿਸੇ ਵੀ ਲੜੀਬੱਧ ਐਲਗੋਰਿਦਮ ਦਾ ਆਧਾਰ ਹੈ। ਐਲਗੋਰਿਦਮ ਆਪਣੇ ਆਪ ਵਿੱਚ ਵੱਖਰੇ ਹੋ ਸਕਦੇ ਹਨ ("ਬੁਲਬੁਲਾ", "ਅਭੇਦ", "ਤੇਜ਼"), ਪਰ ਉਹ ਸਾਰੇ ਉਸ ਕ੍ਰਮ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਤਾਰਾਂ ਦੇ ਇੱਕ ਜੋੜੇ ਦੀ ਤੁਲਨਾ ਦੀ ਵਰਤੋਂ ਕਰਨਗੇ ਜਿਸ ਵਿੱਚ ਉਹ ਦਿਖਾਈ ਦਿੰਦੇ ਹਨ।

ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਵਿੱਚ ਤਾਰਾਂ ਨੂੰ ਛਾਂਟਣਾ ਇੱਕ ਕਾਫ਼ੀ ਗੁੰਝਲਦਾਰ ਸਮੱਸਿਆ ਹੈ। ਇੱਥੋਂ ਤੱਕ ਕਿ ਸਭ ਤੋਂ ਸਰਲ ਸਿੰਗਲ-ਬਾਈਟ ਏਨਕੋਡਿੰਗਾਂ ਵਿੱਚ, ਅੱਖਰਾਂ ਦਾ ਕ੍ਰਮ, ਅੰਗਰੇਜ਼ੀ ਲਾਤੀਨੀ ਵਰਣਮਾਲਾ ਤੋਂ ਕਿਸੇ ਤਰ੍ਹਾਂ ਵੱਖਰਾ ਵੀ, ਹੁਣ ਉਹਨਾਂ ਸੰਖਿਆਤਮਕ ਮੁੱਲਾਂ ਦੇ ਕ੍ਰਮ ਨਾਲ ਮੇਲ ਨਹੀਂ ਖਾਂਦਾ ਜਿਸ ਨਾਲ ਇਹ ਅੱਖਰ ਏਨਕੋਡ ਕੀਤੇ ਗਏ ਹਨ। ਇਸ ਲਈ ਜਰਮਨ ਅੱਖਰ ਵਿੱਚ ਅੱਖਰ Ö ਵਿਚਕਾਰ ਖੜ੍ਹਾ ਹੈ О и P, ਅਤੇ ਏਨਕੋਡਿੰਗ ਵਿੱਚ CP850 ਉਸ ਨੂੰ ਵਿਚਕਾਰ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ ÿ и Ü.

ਤੁਸੀਂ ਕਿਸੇ ਖਾਸ ਏਨਕੋਡਿੰਗ ਤੋਂ ਸਾਰ ਲੈਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਸਕਦੇ ਹੋ ਅਤੇ "ਆਦਰਸ਼" ਅੱਖਰਾਂ 'ਤੇ ਵਿਚਾਰ ਕਰ ਸਕਦੇ ਹੋ ਜੋ ਕੁਝ ਕ੍ਰਮ ਵਿੱਚ ਵਿਵਸਥਿਤ ਕੀਤੇ ਗਏ ਹਨ, ਜਿਵੇਂ ਕਿ ਯੂਨੀਕੋਡ ਵਿੱਚ ਕੀਤਾ ਗਿਆ ਹੈ। ਏਨਕੋਡਿੰਗ UTF8, UTF16 ਜਾਂ ਇੱਕ-ਬਾਈਟ KOI8-ਆਰ (ਜੇਕਰ ਯੂਨੀਕੋਡ ਦਾ ਇੱਕ ਸੀਮਤ ਸਬਸੈੱਟ ਲੋੜੀਂਦਾ ਹੈ) ਅੱਖਰਾਂ ਦੇ ਵੱਖ-ਵੱਖ ਸੰਖਿਆਤਮਕ ਪ੍ਰਸਤੁਤੀਆਂ ਦੇਵੇਗਾ, ਪਰ ਬੇਸ ਟੇਬਲ ਦੇ ਸਮਾਨ ਤੱਤਾਂ ਦਾ ਹਵਾਲਾ ਦੇਵੇਗਾ।

ਇਹ ਪਤਾ ਚਲਦਾ ਹੈ ਕਿ ਭਾਵੇਂ ਅਸੀਂ ਸਕ੍ਰੈਚ ਤੋਂ ਇੱਕ ਪ੍ਰਤੀਕ ਸਾਰਣੀ ਬਣਾਉਂਦੇ ਹਾਂ, ਅਸੀਂ ਇਸਨੂੰ ਇੱਕ ਯੂਨੀਵਰਸਲ ਸਿੰਬਲ ਆਰਡਰ ਦੇਣ ਦੇ ਯੋਗ ਨਹੀਂ ਹੋਵਾਂਗੇ। ਵੱਖ-ਵੱਖ ਰਾਸ਼ਟਰੀ ਅੱਖਰਾਂ ਵਿੱਚ ਜੋ ਇੱਕੋ ਅੱਖਰ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ, ਇਹਨਾਂ ਅੱਖਰਾਂ ਦਾ ਕ੍ਰਮ ਵੱਖਰਾ ਹੋ ਸਕਦਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਫ੍ਰੈਂਚ ਵਿੱਚ Æ ਇੱਕ ਲਿਗਚਰ ਮੰਨਿਆ ਜਾਵੇਗਾ ਅਤੇ ਇੱਕ ਸਤਰ ਦੇ ਰੂਪ ਵਿੱਚ ਕ੍ਰਮਬੱਧ ਕੀਤਾ ਜਾਵੇਗਾ AE. ਨਾਰਵੇਜੀਅਨ ਵਿੱਚ Æ ਇੱਕ ਵੱਖਰਾ ਪੱਤਰ ਹੋਵੇਗਾ, ਜੋ ਬਾਅਦ ਵਿੱਚ ਸਥਿਤ ਹੈ Z. ਤਰੀਕੇ ਨਾਲ, ਵਰਗੇ ligatures ਦੇ ਇਲਾਵਾ Æ ਕਈ ਚਿੰਨ੍ਹਾਂ ਨਾਲ ਲਿਖੇ ਅੱਖਰ ਹਨ। ਇਸ ਲਈ ਚੈੱਕ ਵਰਣਮਾਲਾ ਵਿੱਚ ਇੱਕ ਅੱਖਰ ਹੈ Ch, ਜੋ ਵਿਚਕਾਰ ਖੜ੍ਹਾ ਹੈ H и I.

ਵਰਣਮਾਲਾ ਵਿੱਚ ਅੰਤਰ ਤੋਂ ਇਲਾਵਾ, ਹੋਰ ਰਾਸ਼ਟਰੀ ਪਰੰਪਰਾਵਾਂ ਹਨ ਜੋ ਛਾਂਟੀ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀਆਂ ਹਨ। ਖਾਸ ਤੌਰ 'ਤੇ, ਸਵਾਲ ਉੱਠਦਾ ਹੈ: ਸ਼ਬਦਕੋਸ਼ ਵਿੱਚ ਵੱਡੇ ਅਤੇ ਛੋਟੇ ਅੱਖਰਾਂ ਵਾਲੇ ਸ਼ਬਦ ਕਿਸ ਕ੍ਰਮ ਵਿੱਚ ਆਉਣੇ ਚਾਹੀਦੇ ਹਨ? ਵਿਰਾਮ ਚਿੰਨ੍ਹਾਂ ਦੀ ਵਰਤੋਂ ਨਾਲ ਛਾਂਟੀ ਵੀ ਪ੍ਰਭਾਵਿਤ ਹੋ ਸਕਦੀ ਹੈ। ਸਪੈਨਿਸ਼ ਵਿੱਚ, ਇੱਕ ਉਲਟਾ ਪ੍ਰਸ਼ਨ ਚਿੰਨ੍ਹ ਇੱਕ ਪੁੱਛਗਿੱਛ ਵਾਕ ਦੇ ਸ਼ੁਰੂ ਵਿੱਚ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ (ਕੀ ਤੁਹਾਨੂੰ ਸੰਗੀਤ ਪਸੰਦ ਹੈ?). ਇਸ ਸਥਿਤੀ ਵਿੱਚ, ਇਹ ਸਪੱਸ਼ਟ ਹੈ ਕਿ ਪੁੱਛਗਿੱਛ ਵਾਲੇ ਵਾਕਾਂ ਨੂੰ ਵਰਣਮਾਲਾ ਤੋਂ ਬਾਹਰ ਇੱਕ ਵੱਖਰੇ ਕਲੱਸਟਰ ਵਿੱਚ ਸਮੂਹ ਨਹੀਂ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਪਰ ਹੋਰ ਵਿਰਾਮ ਚਿੰਨ੍ਹਾਂ ਨਾਲ ਲਾਈਨਾਂ ਨੂੰ ਕਿਵੇਂ ਕ੍ਰਮਬੱਧ ਕਰਨਾ ਹੈ?

ਮੈਂ ਯੂਰੋਪੀਅਨ ਭਾਸ਼ਾਵਾਂ ਤੋਂ ਬਹੁਤ ਵੱਖਰੀਆਂ ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ ਤਾਰਾਂ ਨੂੰ ਛਾਂਟਣ 'ਤੇ ਧਿਆਨ ਨਹੀਂ ਦੇਵਾਂਗਾ। ਨੋਟ ਕਰੋ ਕਿ ਸੱਜੇ-ਤੋਂ-ਖੱਬੇ ਜਾਂ ਉੱਪਰ-ਤੋਂ-ਹੇਠਾਂ ਲਿਖਣ ਦੀ ਦਿਸ਼ਾ ਵਾਲੀਆਂ ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ, ਲਾਈਨਾਂ ਵਿੱਚ ਅੱਖਰ ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ ਪੜ੍ਹਨ ਦੇ ਕ੍ਰਮ ਵਿੱਚ ਸਟੋਰ ਕੀਤੇ ਜਾਂਦੇ ਹਨ, ਅਤੇ ਗੈਰ-ਵਰਣਮਾਲਾ ਲਿਖਣ ਪ੍ਰਣਾਲੀਆਂ ਦੇ ਵੀ ਅੱਖਰ-ਅੱਖਰ ਅਨੁਸਾਰ ਲਾਈਨਾਂ ਨੂੰ ਕ੍ਰਮਬੱਧ ਕਰਨ ਦੇ ਆਪਣੇ ਤਰੀਕੇ ਹਨ। . ਉਦਾਹਰਨ ਲਈ, ਹਾਇਰੋਗਲਿਫਸ ਨੂੰ ਸ਼ੈਲੀ ਦੁਆਰਾ ਆਰਡਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ (ਚੀਨੀ ਅੱਖਰ ਕੁੰਜੀਆਂ) ਜਾਂ ਉਚਾਰਨ ਦੁਆਰਾ। ਇਮਾਨਦਾਰ ਹੋਣ ਲਈ, ਮੈਨੂੰ ਨਹੀਂ ਪਤਾ ਕਿ ਇਮੋਜੀ ਨੂੰ ਕਿਵੇਂ ਵਿਵਸਥਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਪਰ ਤੁਸੀਂ ਉਹਨਾਂ ਲਈ ਵੀ ਕੁਝ ਲੈ ਕੇ ਆ ਸਕਦੇ ਹੋ।

ਉੱਪਰ ਸੂਚੀਬੱਧ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਆਧਾਰ 'ਤੇ, ਯੂਨੀਕੋਡ ਟੇਬਲ 'ਤੇ ਆਧਾਰਿਤ ਸਤਰ ਦੀ ਤੁਲਨਾ ਕਰਨ ਲਈ ਬੁਨਿਆਦੀ ਲੋੜਾਂ ਤਿਆਰ ਕੀਤੀਆਂ ਗਈਆਂ ਸਨ:

• ਸਤਰ ਦੀ ਤੁਲਨਾ ਕੋਡ ਟੇਬਲ ਵਿੱਚ ਅੱਖਰਾਂ ਦੀ ਸਥਿਤੀ 'ਤੇ ਨਿਰਭਰ ਨਹੀਂ ਕਰਦੀ;
• ਇੱਕ ਸਿੰਗਲ ਅੱਖਰ ਬਣਾਉਣ ਵਾਲੇ ਅੱਖਰਾਂ ਦੇ ਕ੍ਰਮ ਨੂੰ ਕੈਨੋਨੀਕਲ ਰੂਪ ਵਿੱਚ ਘਟਾ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ (A + ਸਿਖਰ ਦਾ ਚੱਕਰ ਉਸੇ ਤਰ੍ਹਾਂ ਹੈ Å);
• ਸਤਰ ਦੀ ਤੁਲਨਾ ਕਰਦੇ ਸਮੇਂ, ਇੱਕ ਅੱਖਰ ਨੂੰ ਸਤਰ ਦੇ ਸੰਦਰਭ ਵਿੱਚ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ ਅਤੇ, ਜੇ ਲੋੜ ਹੋਵੇ, ਤੁਲਨਾ ਦੀ ਇੱਕ ਇਕਾਈ ਵਿੱਚ ਇਸਦੇ ਗੁਆਂਢੀਆਂ ਨਾਲ ਜੋੜਿਆ ਜਾਂਦਾ ਹੈ (Ch ਚੈੱਕ ਵਿੱਚ) ਜਾਂ ਕਈ ਵਿੱਚ ਵੰਡਿਆ ਗਿਆ ਹੈ (Æ ਫ੍ਰੈਂਚ ਵਿੱਚ);
• ਸਾਰੀਆਂ ਰਾਸ਼ਟਰੀ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ (ਵਰਣਮਾਲਾ, ਵੱਡੇ/ਛੋਟੇ ਅੱਖਰ, ਵਿਰਾਮ ਚਿੰਨ੍ਹ, ਲਿਖਤੀ ਕਿਸਮਾਂ ਦਾ ਕ੍ਰਮ) ਨੂੰ ਆਰਡਰ ਦੇ ਮੈਨੂਅਲ ਅਸਾਈਨਮੈਂਟ (ਇਮੋਜੀ) ਤੱਕ ਕੌਂਫਿਗਰ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ;
• ਤੁਲਨਾ ਸਿਰਫ਼ ਛਾਂਟੀ ਲਈ ਹੀ ਨਹੀਂ, ਸਗੋਂ ਕਈ ਹੋਰ ਥਾਵਾਂ 'ਤੇ ਵੀ ਮਹੱਤਵਪੂਰਨ ਹੈ, ਉਦਾਹਰਨ ਲਈ ਕਤਾਰ ਰੇਂਜਾਂ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ({A... z} ਨੂੰ ਬਦਲਣਾ bash);
• ਤੁਲਨਾ ਕਾਫ਼ੀ ਤੇਜ਼ੀ ਨਾਲ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ।

ਇਸ ਤੋਂ ਇਲਾਵਾ, ਰਿਪੋਰਟ ਦੇ ਲੇਖਕਾਂ ਨੇ ਤੁਲਨਾਤਮਕ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਤਿਆਰ ਕੀਤੀਆਂ ਹਨ ਜਿਨ੍ਹਾਂ 'ਤੇ ਐਲਗੋਰਿਦਮ ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਭਰੋਸਾ ਨਹੀਂ ਕਰਨਾ ਚਾਹੀਦਾ:

• ਤੁਲਨਾ ਐਲਗੋਰਿਦਮ ਨੂੰ ਹਰੇਕ ਭਾਸ਼ਾ ਲਈ ਅੱਖਰਾਂ ਦੇ ਵੱਖਰੇ ਸੈੱਟ ਦੀ ਲੋੜ ਨਹੀਂ ਹੋਣੀ ਚਾਹੀਦੀ (ਰੂਸੀ ਅਤੇ ਯੂਕਰੇਨੀ ਭਾਸ਼ਾਵਾਂ ਜ਼ਿਆਦਾਤਰ ਸਿਰਿਲਿਕ ਅੱਖਰ ਸਾਂਝੀਆਂ ਕਰਦੀਆਂ ਹਨ);
• ਤੁਲਨਾ ਯੂਨੀਕੋਡ ਟੇਬਲ ਵਿੱਚ ਅੱਖਰਾਂ ਦੇ ਕ੍ਰਮ 'ਤੇ ਨਿਰਭਰ ਨਹੀਂ ਹੋਣੀ ਚਾਹੀਦੀ;
• ਸਤਰ ਦਾ ਭਾਰ ਸਤਰ ਦਾ ਗੁਣ ਨਹੀਂ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ, ਕਿਉਂਕਿ ਵੱਖ-ਵੱਖ ਸੱਭਿਆਚਾਰਕ ਸੰਦਰਭਾਂ ਵਿੱਚ ਇੱਕੋ ਸਤਰ ਦੇ ਵੱਖ-ਵੱਖ ਵਜ਼ਨ ਹੋ ਸਕਦੇ ਹਨ;
• ਰਲੇਵੇਂ ਜਾਂ ਵੰਡਣ ਵੇਲੇ ਕਤਾਰ ਦੇ ਵਜ਼ਨ ਬਦਲ ਸਕਦੇ ਹਨ (ਤੋਂ x < y ਇਹ ਇਸ ਦੀ ਪਾਲਣਾ ਨਹੀਂ ਕਰਦਾ xz < yz);
• ਕ੍ਰਮਬੱਧ ਐਲਗੋਰਿਦਮ ਦੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਤੋਂ ਸਮਾਨ ਵਜ਼ਨ ਵਾਲੀਆਂ ਵੱਖ-ਵੱਖ ਸਤਰਾਂ ਨੂੰ ਬਰਾਬਰ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ। ਅਜਿਹੀਆਂ ਸਤਰਾਂ ਦਾ ਵਾਧੂ ਕ੍ਰਮ ਪੇਸ਼ ਕਰਨਾ ਸੰਭਵ ਹੈ, ਪਰ ਇਹ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਘਟਾ ਸਕਦਾ ਹੈ;
• ਵਾਰ-ਵਾਰ ਛਾਂਟੀ ਦੇ ਦੌਰਾਨ, ਇੱਕੋ ਵਜ਼ਨ ਵਾਲੀਆਂ ਕਤਾਰਾਂ ਨੂੰ ਬਦਲਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਮਜਬੂਤਤਾ ਇੱਕ ਖਾਸ ਲੜੀਬੱਧ ਐਲਗੋਰਿਦਮ ਦੀ ਵਿਸ਼ੇਸ਼ਤਾ ਹੈ, ਨਾ ਕਿ ਇੱਕ ਸਟ੍ਰਿੰਗ ਤੁਲਨਾ ਐਲਗੋਰਿਦਮ ਦੀ ਵਿਸ਼ੇਸ਼ਤਾ (ਪਿਛਲਾ ਪੈਰਾ ਦੇਖੋ);
• ਸੱਭਿਆਚਾਰਕ ਪਰੰਪਰਾਵਾਂ ਨੂੰ ਸੋਧਣ/ਬਦਲਣ ਦੇ ਨਾਲ ਸਮੇਂ ਦੇ ਨਾਲ ਕ੍ਰਮਬੱਧ ਨਿਯਮ ਬਦਲ ਸਕਦੇ ਹਨ।

ਇਹ ਵੀ ਨਿਰਧਾਰਤ ਕੀਤਾ ਗਿਆ ਹੈ ਕਿ ਤੁਲਨਾਤਮਕ ਐਲਗੋਰਿਦਮ ਪ੍ਰਕਿਰਿਆ ਕੀਤੇ ਜਾ ਰਹੇ ਸਤਰ ਦੇ ਅਰਥ ਵਿਗਿਆਨ ਬਾਰੇ ਕੁਝ ਨਹੀਂ ਜਾਣਦਾ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ, ਸਿਰਫ ਅੰਕਾਂ ਵਾਲੀ ਸਤਰ ਦੀ ਤੁਲਨਾ ਸੰਖਿਆਵਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਨਹੀਂ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ, ਅਤੇ ਅੰਗਰੇਜ਼ੀ ਨਾਵਾਂ ਦੀ ਸੂਚੀ ਵਿੱਚ ਲੇਖ (ਬੀਟਲਸ, ਦ).

ਸਾਰੀਆਂ ਨਿਰਧਾਰਤ ਲੋੜਾਂ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ, ਇੱਕ ਬਹੁ-ਪੱਧਰੀ (ਅਸਲ ਵਿੱਚ ਚਾਰ-ਪੱਧਰੀ) ਸਾਰਣੀ ਦੀ ਛਾਂਟੀ ਕਰਨ ਵਾਲੇ ਐਲਗੋਰਿਦਮ ਦਾ ਪ੍ਰਸਤਾਵ ਹੈ।

ਪਹਿਲਾਂ, ਸਟ੍ਰਿੰਗ ਵਿੱਚ ਅੱਖਰਾਂ ਨੂੰ ਕੈਨੋਨੀਕਲ ਰੂਪ ਵਿੱਚ ਘਟਾ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਤੁਲਨਾ ਦੀਆਂ ਇਕਾਈਆਂ ਵਿੱਚ ਵੰਡਿਆ ਜਾਂਦਾ ਹੈ। ਤੁਲਨਾ ਦੀ ਹਰੇਕ ਇਕਾਈ ਨੂੰ ਤੁਲਨਾ ਦੇ ਕਈ ਪੱਧਰਾਂ ਦੇ ਅਨੁਸਾਰੀ ਕਈ ਵਜ਼ਨ ਨਿਰਧਾਰਤ ਕੀਤੇ ਗਏ ਹਨ। ਤੁਲਨਾਤਮਕ ਇਕਾਈਆਂ ਦੇ ਵਜ਼ਨ ਕ੍ਰਮਬੱਧ ਸੈੱਟਾਂ ਦੇ ਤੱਤ ਹਨ (ਇਸ ਕੇਸ ਵਿੱਚ, ਪੂਰਨ ਅੰਕ) ਜਿਨ੍ਹਾਂ ਦੀ ਤੁਲਨਾ ਘੱਟ ਜਾਂ ਵੱਧ ਲਈ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਵਿਸ਼ੇਸ਼ ਅਰਥ ਅਣਡਿੱਠ ਕੀਤਾ (0x0) ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਅਨੁਸਾਰੀ ਤੁਲਨਾ ਪੱਧਰ 'ਤੇ ਇਹ ਇਕਾਈ ਤੁਲਨਾ ਵਿੱਚ ਸ਼ਾਮਲ ਨਹੀਂ ਹੈ। ਸੰਬੰਧਿਤ ਪੱਧਰਾਂ ਦੇ ਵਜ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਤਾਰਾਂ ਦੀ ਤੁਲਨਾ ਕਈ ਵਾਰ ਦੁਹਰਾਈ ਜਾ ਸਕਦੀ ਹੈ। ਹਰੇਕ ਪੱਧਰ 'ਤੇ, ਦੋ ਕਤਾਰਾਂ ਦੀਆਂ ਤੁਲਨਾਤਮਕ ਇਕਾਈਆਂ ਦੇ ਵਜ਼ਨ ਕ੍ਰਮਵਾਰ ਇੱਕ ਦੂਜੇ ਨਾਲ ਤੁਲਨਾ ਕੀਤੇ ਜਾਂਦੇ ਹਨ।

ਵੱਖ-ਵੱਖ ਰਾਸ਼ਟਰੀ ਪਰੰਪਰਾਵਾਂ ਲਈ ਐਲਗੋਰਿਦਮ ਦੇ ਵੱਖ-ਵੱਖ ਅਮਲਾਂ ਵਿੱਚ, ਗੁਣਾਂ ਦੇ ਮੁੱਲ ਵੱਖਰੇ ਹੋ ਸਕਦੇ ਹਨ, ਪਰ ਯੂਨੀਕੋਡ ਸਟੈਂਡਰਡ ਵਿੱਚ ਵਜ਼ਨ ਦੀ ਇੱਕ ਬੁਨਿਆਦੀ ਸਾਰਣੀ ਸ਼ਾਮਲ ਹੁੰਦੀ ਹੈ - "ਡਿਫਾਲਟ ਯੂਨੀਕੋਡ ਕੋਲੇਸ਼ਨ ਐਲੀਮੈਂਟ ਟੇਬਲ" (DUCET). ਮੈਂ ਨੋਟ ਕਰਨਾ ਚਾਹਾਂਗਾ ਕਿ ਵੇਰੀਏਬਲ ਸੈੱਟ ਕਰਨਾ LC_COLLATE ਅਸਲ ਵਿੱਚ ਸਟਰਿੰਗ ਤੁਲਨਾ ਫੰਕਸ਼ਨ ਵਿੱਚ ਭਾਰ ਸਾਰਣੀ ਦੀ ਚੋਣ ਦਾ ਇੱਕ ਸੰਕੇਤ ਹੈ।

ਵਜ਼ਨ ਗੁਣਾਂਕ DUCET ਹੇਠ ਲਿਖੇ ਅਨੁਸਾਰ ਵਿਵਸਥਿਤ:

• ਪਹਿਲੇ ਪੱਧਰ 'ਤੇ, ਸਾਰੇ ਅੱਖਰਾਂ ਨੂੰ ਇੱਕੋ ਕੇਸ ਵਿੱਚ ਘਟਾ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ, ਡਾਇਕ੍ਰਿਟਿਕਸ ਨੂੰ ਰੱਦ ਕਰ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ, ਵਿਰਾਮ ਚਿੰਨ੍ਹ (ਸਾਰੇ ਨਹੀਂ) ਨੂੰ ਅਣਡਿੱਠ ਕੀਤਾ ਜਾਂਦਾ ਹੈ;
• ਦੂਜੇ ਪੱਧਰ 'ਤੇ, ਸਿਰਫ ਡਾਇਕ੍ਰਿਟਿਕਸ ਨੂੰ ਧਿਆਨ ਵਿਚ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ;
• ਤੀਜੇ ਪੱਧਰ 'ਤੇ, ਸਿਰਫ ਕੇਸ ਨੂੰ ਧਿਆਨ ਵਿਚ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ;
• ਚੌਥੇ ਪੱਧਰ 'ਤੇ, ਸਿਰਫ਼ ਵਿਰਾਮ ਚਿੰਨ੍ਹਾਂ ਨੂੰ ਹੀ ਧਿਆਨ ਵਿੱਚ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ।

ਤੁਲਨਾ ਕਈ ਪਾਸਿਆਂ ਵਿੱਚ ਹੁੰਦੀ ਹੈ: ਪਹਿਲਾਂ, ਪਹਿਲੇ ਪੱਧਰ ਦੇ ਗੁਣਾਂ ਦੀ ਤੁਲਨਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ; ਜੇ ਵਜ਼ਨ ਮੇਲ ਖਾਂਦਾ ਹੈ, ਤਾਂ ਦੂਜੇ ਪੱਧਰ ਦੇ ਵਜ਼ਨ ਨਾਲ ਦੁਹਰਾਇਆ ਜਾਂਦਾ ਹੈ; ਫਿਰ ਸ਼ਾਇਦ ਤੀਜਾ ਅਤੇ ਚੌਥਾ।

ਤੁਲਨਾ ਉਦੋਂ ਖਤਮ ਹੁੰਦੀ ਹੈ ਜਦੋਂ ਕਤਾਰਾਂ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਵਜ਼ਨਾਂ ਨਾਲ ਤੁਲਨਾ ਕਰਨ ਵਾਲੀਆਂ ਇਕਾਈਆਂ ਹੁੰਦੀਆਂ ਹਨ। ਚਾਰੇ ਪੱਧਰਾਂ 'ਤੇ ਬਰਾਬਰ ਵਜ਼ਨ ਵਾਲੀਆਂ ਕਤਾਰਾਂ ਨੂੰ ਇੱਕ ਦੂਜੇ ਦੇ ਬਰਾਬਰ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ।

ਇਹ ਐਲਗੋਰਿਦਮ (ਵਾਧੂ ਤਕਨੀਕੀ ਵੇਰਵਿਆਂ ਦੇ ਝੁੰਡ ਦੇ ਨਾਲ) ਨੇ ਰਿਪੋਰਟ ਨੰਬਰ 10 ਨੂੰ ਨਾਮ ਦਿੱਤਾ - "ਯੂਨੀਕੋਡ ਕੋਲੇਸ਼ਨ ਐਲਗੋਰਿਦਮ" (ਯੂ.ਸੀ.ਏ).

ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਸਾਡੀ ਉਦਾਹਰਣ ਤੋਂ ਛਾਂਟੀ ਕਰਨ ਵਾਲਾ ਵਿਵਹਾਰ ਥੋੜ੍ਹਾ ਸਪੱਸ਼ਟ ਹੋ ਜਾਂਦਾ ਹੈ। ਯੂਨੀਕੋਡ ਸਟੈਂਡਰਡ ਨਾਲ ਇਸਦੀ ਤੁਲਨਾ ਕਰਨਾ ਚੰਗਾ ਹੋਵੇਗਾ।

ਲਾਗੂਕਰਨ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਯੂ.ਸੀ.ਏ ਇੱਕ ਖਾਸ ਹੈ ਟੈਸਟ, ਵਰਤ ਕੇ ਵਜ਼ਨ ਫਾਈਲ, ਲਾਗੂ ਕਰਨਾ DUCET. ਤੁਸੀਂ ਸਕੇਲ ਫਾਈਲ ਵਿੱਚ ਹਰ ਤਰ੍ਹਾਂ ਦੀਆਂ ਮਜ਼ਾਕੀਆ ਚੀਜ਼ਾਂ ਲੱਭ ਸਕਦੇ ਹੋ। ਉਦਾਹਰਨ ਲਈ, ਇੱਥੇ ਮਾਹਜੋਂਗ ਅਤੇ ਯੂਰਪੀਅਨ ਡੋਮਿਨੋਜ਼ ਦਾ ਕ੍ਰਮ ਹੈ, ਨਾਲ ਹੀ ਤਾਸ਼ ਦੇ ਇੱਕ ਡੇਕ ਵਿੱਚ ਸੂਟ ਦਾ ਕ੍ਰਮ (ਪ੍ਰਤੀਕ 1F000 ਅਤੇ ਅੱਗੇ). ਕਾਰਡ ਸੂਟ ਬ੍ਰਿਜ - PCBT ਦੇ ਨਿਯਮਾਂ ਅਨੁਸਾਰ ਰੱਖੇ ਗਏ ਹਨ, ਅਤੇ ਸੂਟ ਵਿੱਚ ਕਾਰਡ ਟੀ, 2,3, XNUMX... ਕੇ ਕ੍ਰਮ ਵਿੱਚ ਹਨ।

ਹੱਥੀਂ ਜਾਂਚ ਕਰ ਰਿਹਾ ਹੈ ਕਿ ਕਤਾਰਾਂ ਅਨੁਸਾਰ ਸਹੀ ਢੰਗ ਨਾਲ ਕ੍ਰਮਬੱਧ ਕੀਤਾ ਗਿਆ ਹੈ DUCET ਇਹ ਕਾਫ਼ੀ ਔਖਾ ਹੋਵੇਗਾ, ਪਰ, ਖੁਸ਼ਕਿਸਮਤੀ ਨਾਲ ਸਾਡੇ ਲਈ, ਯੂਨੀਕੋਡ ਨਾਲ ਕੰਮ ਕਰਨ ਲਈ ਲਾਇਬ੍ਰੇਰੀ ਦਾ ਇੱਕ ਮਿਸਾਲੀ ਅਮਲ ਹੈ - "ਯੂਨੀਕੋਡ ਲਈ ਅੰਤਰਰਾਸ਼ਟਰੀ ਹਿੱਸੇ"(ਆਈਸੀਯੂ).

ਵਿਚ ਵਿਕਸਤ ਇਸ ਲਾਇਬ੍ਰੇਰੀ ਦੀ ਵੈੱਬਸਾਈਟ 'ਤੇ IBM, ਸਮੇਤ ਡੈਮੋ ਪੰਨੇ ਹਨ ਸਟ੍ਰਿੰਗ ਤੁਲਨਾ ਐਲਗੋਰਿਦਮ ਪੰਨਾ. ਅਸੀਂ ਪੂਰਵ-ਨਿਰਧਾਰਤ ਸੈਟਿੰਗਾਂ ਨਾਲ ਸਾਡੀਆਂ ਟੈਸਟ ਲਾਈਨਾਂ ਦਰਜ ਕਰਦੇ ਹਾਂ ਅਤੇ, ਦੇਖੋ, ਸਾਨੂੰ ਸੰਪੂਰਣ ਰੂਸੀ ਛਾਂਟੀ ਮਿਲਦੀ ਹੈ।

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

ਤਰੀਕੇ ਨਾਲ, ਵੈੱਬਸਾਈਟ ਆਈਸੀਯੂ ਵਿਰਾਮ ਚਿੰਨ੍ਹਾਂ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਦੇ ਸਮੇਂ ਤੁਸੀਂ ਤੁਲਨਾ ਐਲਗੋਰਿਦਮ ਦਾ ਸਪਸ਼ਟੀਕਰਨ ਲੱਭ ਸਕਦੇ ਹੋ। ਉਦਾਹਰਣਾਂ ਵਿੱਚ ਕੋਲੇਸ਼ਨ FAQ apostrophe ਅਤੇ hyphen ਨੂੰ ਅਣਡਿੱਠ ਕੀਤਾ ਗਿਆ ਹੈ।

ਯੂਨੀਕੋਡ ਨੇ ਸਾਡੀ ਮਦਦ ਕੀਤੀ, ਪਰ ਅਜੀਬ ਵਿਹਾਰ ਦੇ ਕਾਰਨ ਲੱਭੋ ਲੜੀਬੱਧ в ਲੀਨਕਸ ਕਿਤੇ ਹੋਰ ਜਾਣਾ ਪਵੇਗਾ।

glibc ਵਿੱਚ ਛਾਂਟੀ

ਉਪਯੋਗਤਾ ਸਰੋਤ ਕੋਡਾਂ ਦਾ ਤੁਰੰਤ ਦ੍ਰਿਸ਼ ਲੜੀਬੱਧ ਤੱਕ GNU ਕੋਰ ਉਪਯੋਗਤਾਵਾਂ ਨੇ ਦਿਖਾਇਆ ਕਿ ਉਪਯੋਗਤਾ ਵਿੱਚ ਹੀ, ਸਥਾਨੀਕਰਨ ਵੇਰੀਏਬਲ ਦੇ ਮੌਜੂਦਾ ਮੁੱਲ ਨੂੰ ਛਾਪਣ ਲਈ ਹੇਠਾਂ ਆਉਂਦਾ ਹੈ LC_COLLATE ਡੀਬੱਗ ਮੋਡ ਵਿੱਚ ਚੱਲਦੇ ਸਮੇਂ:

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

ਸਟ੍ਰਿੰਗ ਦੀ ਤੁਲਨਾ ਸਟੈਂਡਰਡ ਫੰਕਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤੀ ਜਾਂਦੀ ਹੈ strcoll, ਜਿਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਸਭ ਕੁਝ ਦਿਲਚਸਪ ਲਾਇਬ੍ਰੇਰੀ ਵਿੱਚ ਹੈ glibc.

'ਤੇ ਵਿਕਿ ਪ੍ਰੋਜੈਕਟ glibc ਸਟ੍ਰਿੰਗ ਤੁਲਨਾ ਨੂੰ ਸਮਰਪਿਤ ਇੱਕ ਪੈਰਾ. ਇਸ ਪੈਰੇ ਤੋਂ ਇਹ ਸਮਝਿਆ ਜਾ ਸਕਦਾ ਹੈ ਕਿ ਵਿਚ glibc ਛਾਂਟੀ ਇੱਕ ਐਲਗੋਰਿਦਮ 'ਤੇ ਅਧਾਰਤ ਹੈ ਜੋ ਸਾਨੂੰ ਪਹਿਲਾਂ ਹੀ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ ਯੂ.ਸੀ.ਏ (ਯੂਨੀਕੋਡ ਕੋਲੇਸ਼ਨ ਐਲਗੋਰਿਦਮ) ਅਤੇ/ਜਾਂ ਇਸ ਦੇ ਨੇੜੇ ਦੇ ਮਿਆਰ 'ਤੇ ਨੂੰ ISO 14651 (ਅੰਤਰਰਾਸ਼ਟਰੀ ਸਟ੍ਰਿੰਗ ਆਰਡਰਿੰਗ ਅਤੇ ਤੁਲਨਾ). ਨਵੀਨਤਮ ਮਿਆਰ ਦੇ ਸੰਬੰਧ ਵਿੱਚ, ਇਹ ਨੋਟ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਸਾਈਟ 'ਤੇ standards.iso.org ਨੂੰ ISO 14651 ਅਧਿਕਾਰਤ ਤੌਰ 'ਤੇ ਜਨਤਕ ਤੌਰ 'ਤੇ ਉਪਲਬਧ ਘੋਸ਼ਿਤ ਕੀਤਾ ਗਿਆ ਹੈ, ਪਰ ਸੰਬੰਧਿਤ ਲਿੰਕ ਇੱਕ ਗੈਰ-ਮੌਜੂਦ ਪੰਨੇ ਵੱਲ ਲੈ ਜਾਂਦਾ ਹੈ। ਗੂਗਲ ਅਧਿਕਾਰਤ ਸਾਈਟਾਂ ਦੇ ਲਿੰਕਾਂ ਦੇ ਨਾਲ ਕਈ ਪੰਨੇ ਵਾਪਸ ਕਰਦਾ ਹੈ ਜੋ ਸੌ ਯੂਰੋ ਲਈ ਸਟੈਂਡਰਡ ਦੀ ਇਲੈਕਟ੍ਰਾਨਿਕ ਕਾਪੀ ਖਰੀਦਣ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦੇ ਹਨ, ਪਰ ਖੋਜ ਨਤੀਜਿਆਂ ਦੇ ਤੀਜੇ ਜਾਂ ਚੌਥੇ ਪੰਨੇ 'ਤੇ ਸਿੱਧੇ ਲਿੰਕ ਵੀ ਹੁੰਦੇ ਹਨ. PDF. ਆਮ ਤੌਰ 'ਤੇ, ਸਟੈਂਡਰਡ ਅਮਲੀ ਤੌਰ 'ਤੇ ਇਸ ਤੋਂ ਵੱਖਰਾ ਨਹੀਂ ਹੁੰਦਾ ਯੂ.ਸੀ.ਏ, ਪਰ ਪੜ੍ਹਨ ਲਈ ਵਧੇਰੇ ਬੋਰਿੰਗ ਹੈ ਕਿਉਂਕਿ ਇਸ ਵਿੱਚ ਸਤਰ ਛਾਂਟੀ ਦੀਆਂ ਰਾਸ਼ਟਰੀ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀਆਂ ਸਪੱਸ਼ਟ ਉਦਾਹਰਣਾਂ ਨਹੀਂ ਹਨ।

'ਤੇ ਸਭ ਤੋਂ ਦਿਲਚਸਪ ਜਾਣਕਾਰੀ ਵਿਕਿ ਦਾ ਲਿੰਕ ਸੀ ਬੱਗ ਟਰੈਕਰ ਵਿੱਚ ਸਟ੍ਰਿੰਗ ਤੁਲਨਾ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਚਰਚਾ ਦੇ ਨਾਲ glibc. ਚਰਚਾ ਤੋਂ ਇਹ ਜਾਣਿਆ ਜਾ ਸਕਦਾ ਹੈ ਕਿ ਸ glibc ਤਾਰਾਂ ਦੀ ਤੁਲਨਾ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ ਨੂੰ ISOਨਿੱਜੀ ਸਾਰਣੀ ਆਮ ਟੈਮਪਲੇਟ ਸਾਰਣੀ (ਸੀ.ਟੀ.ਟੀ.), ਜਿਸਦਾ ਪਤਾ ਐਪਲੀਕੇਸ਼ਨ ਵਿੱਚ ਪਾਇਆ ਜਾ ਸਕਦਾ ਹੈ A ਮਿਆਰੀ ਨੂੰ ISO 14651. 2000 ਅਤੇ 2015 ਦੇ ਵਿਚਕਾਰ ਇਸ ਸਾਰਣੀ ਵਿੱਚ glibc ਕੋਲ ਮੇਨਟੇਨਰ ਨਹੀਂ ਸੀ ਅਤੇ ਸਟੈਂਡਰਡ ਦੇ ਮੌਜੂਦਾ ਸੰਸਕਰਣ ਤੋਂ ਬਿਲਕੁਲ ਵੱਖਰਾ ਸੀ (ਘੱਟੋ ਘੱਟ ਬਾਹਰੀ ਤੌਰ 'ਤੇ)। 2015 ਤੋਂ 2018 ਤੱਕ, ਸਾਰਣੀ ਦੇ ਨਵੇਂ ਸੰਸਕਰਣ ਲਈ ਅਨੁਕੂਲਤਾ ਹੋਈ, ਅਤੇ ਹੁਣ ਤੁਹਾਡੇ ਕੋਲ ਅਸਲ ਜੀਵਨ ਵਿੱਚ ਸਾਰਣੀ ਦੇ ਇੱਕ ਨਵੇਂ ਸੰਸਕਰਣ ਨੂੰ ਮਿਲਣ ਦਾ ਮੌਕਾ ਹੈ (CentOS 8), ਅਤੇ ਪੁਰਾਣਾ (CentOS 7).

ਹੁਣ ਜਦੋਂ ਕਿ ਸਾਡੇ ਕੋਲ ਐਲਗੋਰਿਦਮ ਅਤੇ ਸਹਾਇਕ ਟੇਬਲਾਂ ਬਾਰੇ ਸਾਰੀ ਜਾਣਕਾਰੀ ਹੈ, ਅਸੀਂ ਅਸਲ ਸਮੱਸਿਆ 'ਤੇ ਵਾਪਸ ਜਾ ਸਕਦੇ ਹਾਂ ਅਤੇ ਸਮਝ ਸਕਦੇ ਹਾਂ ਕਿ ਰੂਸੀ ਲੋਕੇਲ ਵਿੱਚ ਸਤਰਾਂ ਨੂੰ ਸਹੀ ਤਰ੍ਹਾਂ ਕਿਵੇਂ ਕ੍ਰਮਬੱਧ ਕਰਨਾ ਹੈ।

ISO 14651 / 14652

ਸਾਰਣੀ ਦਾ ਸਰੋਤ ਕੋਡ ਜਿਸ ਵਿੱਚ ਅਸੀਂ ਦਿਲਚਸਪੀ ਰੱਖਦੇ ਹਾਂ ਸੀ.ਟੀ.ਟੀ. ਜ਼ਿਆਦਾਤਰ ਵੰਡਾਂ 'ਤੇ ਲੀਨਕਸ ਕੈਟਾਲਾਗ ਵਿੱਚ ਹੈ /usr/share/i18n/locales/. ਸਾਰਣੀ ਆਪਣੇ ਆਪ ਫਾਈਲ ਵਿੱਚ ਹੈ iso14651_t1_common. ਫਿਰ ਇਹ ਫਾਈਲ ਡਾਇਰੈਕਟਿਵ ਹੈ iso14651_t1_common ਨੂੰ ਕਾਪੀ ਕਰੋ ਫਾਈਲ ਵਿੱਚ ਸ਼ਾਮਲ ਹੈ iso14651_t1, ਜੋ ਬਦਲੇ ਵਿੱਚ, ਰਾਸ਼ਟਰੀ ਫਾਈਲਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਕੀਤਾ ਗਿਆ ਹੈ, ਸਮੇਤ ਫੇਡੋਰਾ и ru_RU. ਜ਼ਿਆਦਾਤਰ ਡਿਸਟਰੀਬਿਊਸ਼ਨਾਂ 'ਤੇ ਲੀਨਕਸ ਸਾਰੀਆਂ ਸਰੋਤ ਫਾਈਲਾਂ ਨੂੰ ਮੂਲ ਸਥਾਪਨਾ ਵਿੱਚ ਸ਼ਾਮਲ ਕੀਤਾ ਗਿਆ ਹੈ, ਪਰ ਜੇਕਰ ਉਹ ਮੌਜੂਦ ਨਹੀਂ ਹਨ, ਤਾਂ ਤੁਹਾਨੂੰ ਡਿਸਟਰੀਬਿਊਸ਼ਨ ਤੋਂ ਇੱਕ ਵਾਧੂ ਪੈਕੇਜ ਸਥਾਪਤ ਕਰਨਾ ਹੋਵੇਗਾ।

ਫਾਈਲ ਬਣਤਰ iso14651_t1 ਨਾਮ ਬਣਾਉਣ ਲਈ ਗੈਰ-ਸਪੱਸ਼ਟ ਨਿਯਮਾਂ ਦੇ ਨਾਲ, ਬਹੁਤ ਹੀ ਜ਼ੁਬਾਨੀ ਲੱਗ ਸਕਦਾ ਹੈ, ਪਰ ਜੇ ਤੁਸੀਂ ਇਸ ਨੂੰ ਦੇਖਦੇ ਹੋ, ਤਾਂ ਸਭ ਕੁਝ ਬਹੁਤ ਸਧਾਰਨ ਹੈ। ਬਣਤਰ ਮਿਆਰੀ ਵਿੱਚ ਦੱਸਿਆ ਗਿਆ ਹੈ ਨੂੰ ISO 14652, ਜਿਸ ਦੀ ਇੱਕ ਕਾਪੀ ਵੈੱਬਸਾਈਟ ਤੋਂ ਡਾਊਨਲੋਡ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ open-std.org. ਫਾਈਲ ਫਾਰਮੈਟ ਦਾ ਇੱਕ ਹੋਰ ਵੇਰਵਾ ਪੜ੍ਹਿਆ ਜਾ ਸਕਦਾ ਹੈ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਪੁਆਇਕਸ ਤੱਕ ਓਪਨ ਗਰੁੱਪ. ਸਟੈਂਡਰਡ ਨੂੰ ਪੜ੍ਹਨ ਦੇ ਵਿਕਲਪ ਵਜੋਂ, ਤੁਸੀਂ ਫੰਕਸ਼ਨ ਦੇ ਸਰੋਤ ਕੋਡ ਦਾ ਅਧਿਐਨ ਕਰ ਸਕਦੇ ਹੋ collate_read в glibc/locale/programs/ld-collate.c.

ਫਾਈਲ ਬਣਤਰ ਇਸ ਤਰ੍ਹਾਂ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ:

ਮੂਲ ਰੂਪ ਵਿੱਚ, ਅੱਖਰ ਨੂੰ ਬਚਣ ਵਾਲੇ ਅੱਖਰ ਵਜੋਂ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਅਤੇ # ਅੱਖਰ ਤੋਂ ਬਾਅਦ ਲਾਈਨ ਦਾ ਅੰਤ ਇੱਕ ਟਿੱਪਣੀ ਹੈ। ਦੋਵੇਂ ਚਿੰਨ੍ਹਾਂ ਨੂੰ ਮੁੜ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਜੋ ਕਿ ਸਾਰਣੀ ਦੇ ਨਵੇਂ ਸੰਸਕਰਣ ਵਿੱਚ ਕੀਤਾ ਗਿਆ ਹੈ:

escape_char /
comment_char %

ਫਾਈਲ ਵਿੱਚ ਫਾਰਮੈਟ ਵਿੱਚ ਟੋਕਨ ਸ਼ਾਮਲ ਹੋਣਗੇ ਜ (ਕਿੱਥੇ x - ਹੈਕਸਾਡੈਸੀਮਲ ਅੰਕ)। ਇਹ ਏਨਕੋਡਿੰਗ ਵਿੱਚ ਯੂਨੀਕੋਡ ਕੋਡ ਪੁਆਇੰਟਾਂ ਦੀ ਹੈਕਸਾਡੈਸੀਮਲ ਪ੍ਰਤੀਨਿਧਤਾ ਹੈ UCS-4 (UTF- 32). ਕੋਣ ਬਰੈਕਟਾਂ ਵਿੱਚ ਹੋਰ ਸਾਰੇ ਤੱਤ (ਸਮੇਤ , <2> ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ) ਨੂੰ ਸਧਾਰਨ ਸਟ੍ਰਿੰਗ ਸਥਿਰਾਂਕ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਦਾ ਸੰਦਰਭ ਤੋਂ ਬਾਹਰ ਬਹੁਤ ਘੱਟ ਅਰਥ ਹੁੰਦਾ ਹੈ।

ਲਾਈਨ LC_COLLATE ਸਾਨੂੰ ਦੱਸਦਾ ਹੈ ਕਿ ਅੱਗੇ ਸਟਰਿੰਗ ਦੀ ਤੁਲਨਾ ਦਾ ਵਰਣਨ ਕਰਨ ਵਾਲਾ ਡੇਟਾ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ।

ਪਹਿਲਾਂ, ਤੁਲਨਾ ਸਾਰਣੀ ਵਿੱਚ ਵਜ਼ਨਾਂ ਲਈ ਨਾਮ ਅਤੇ ਚਿੰਨ੍ਹ ਸੰਜੋਗਾਂ ਲਈ ਨਾਮ ਦਿੱਤੇ ਗਏ ਹਨ। ਆਮ ਤੌਰ 'ਤੇ, ਦੋ ਕਿਸਮਾਂ ਦੇ ਨਾਮ ਦੋ ਵੱਖ-ਵੱਖ ਇਕਾਈਆਂ ਦੇ ਹੁੰਦੇ ਹਨ, ਪਰ ਅਸਲ ਫਾਈਲ ਵਿੱਚ ਉਹ ਮਿਲਾਏ ਜਾਂਦੇ ਹਨ. ਵਜ਼ਨ ਦੇ ਨਾਂ ਕੀਵਰਡ ਦੁਆਰਾ ਦਰਸਾਏ ਗਏ ਹਨ ਸੰਗ੍ਰਹਿ-ਚਿੰਨ੍ਹ (ਤੁਲਨਾ ਅੱਖਰ) ਕਿਉਂਕਿ ਤੁਲਨਾ ਕਰਦੇ ਸਮੇਂ, ਯੂਨੀਕੋਡ ਅੱਖਰ ਜਿਨ੍ਹਾਂ ਦਾ ਇੱਕੋ ਵਜ਼ਨ ਹੁੰਦਾ ਹੈ, ਨੂੰ ਬਰਾਬਰ ਅੱਖਰ ਮੰਨਿਆ ਜਾਵੇਗਾ।

ਮੌਜੂਦਾ ਫਾਈਲ ਰੀਵਿਜ਼ਨ ਵਿੱਚ ਭਾਗ ਦੀ ਕੁੱਲ ਲੰਬਾਈ ਲਗਭਗ 900 ਲਾਈਨਾਂ ਹੈ। ਮੈਂ ਨਾਮਾਂ ਦੀ ਮਨਮਾਨੀ ਅਤੇ ਕਈ ਕਿਸਮਾਂ ਦੇ ਸੰਟੈਕਸ ਨੂੰ ਦਰਸਾਉਣ ਲਈ ਕਈ ਥਾਵਾਂ ਤੋਂ ਉਦਾਹਰਣਾਂ ਖਿੱਚੀਆਂ ਹਨ।

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>"

• ਸੰਗ੍ਰਹਿ-ਚਿੰਨ੍ਹ ਇੱਕ ਸਤਰ ਲੌਗ ਕਰਦਾ ਹੈ ਓਸਮਾਨੀਆ ਸਕੇਲਾਂ ਦੇ ਨਾਵਾਂ ਦੀ ਸਾਰਣੀ ਵਿੱਚ
• ਸੰਗ੍ਰਹਿ-ਚਿੰਨ੍ਹ .. ਇੱਕ ਅਗੇਤਰ ਵਾਲੇ ਨਾਮਾਂ ਦੇ ਕ੍ਰਮ ਨੂੰ ਰਜਿਸਟਰ ਕਰਦਾ ਹੈ S ਅਤੇ ਤੋਂ ਹੈਕਸਾਡੈਸੀਮਲ ਸੰਖਿਆਤਮਕ ਪਿਛੇਤਰ 1D000 ਨੂੰ 1D35F.
• ਐੱਫ.ਐੱਫ.ਐੱਫ.ਐੱਫ в ਸੰਗ੍ਰਹਿ-ਚਿੰਨ੍ਹ ਹੈਕਸਾਡੈਸੀਮਲ ਵਿੱਚ ਇੱਕ ਵੱਡੇ ਹਸਤਾਖਰਿਤ ਪੂਰਨ ਅੰਕ ਦੀ ਤਰ੍ਹਾਂ ਦਿਸਦਾ ਹੈ, ਪਰ ਇਹ ਸਿਰਫ਼ ਇੱਕ ਨਾਮ ਹੈ ਜੋ ਸ਼ਾਇਦ ਇਸ ਤਰ੍ਹਾਂ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ
• Имя ਇੰਕੋਡਿੰਗ ਵਿੱਚ ਕੋਡ ਪੁਆਇੰਟ ਦਾ ਮਤਲਬ ਹੈ UCS-4
• ਸੰਗ੍ਰਹਿ-ਤੱਤ ਤੋਂ " " ਯੂਨੀਕੋਡ ਬਿੰਦੀਆਂ ਦੇ ਇੱਕ ਜੋੜੇ ਲਈ ਇੱਕ ਨਵਾਂ ਨਾਮ ਰਜਿਸਟਰ ਕਰਦਾ ਹੈ।

ਇੱਕ ਵਾਰ ਵਜ਼ਨ ਦੇ ਨਾਮ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤੇ ਜਾਣ ਤੋਂ ਬਾਅਦ, ਅਸਲ ਵਜ਼ਨ ਨਿਰਧਾਰਤ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਕਿਉਂਕਿ ਤੁਲਨਾ ਵਿੱਚ ਸਿਰਫ਼ ਵੱਧ ਤੋਂ ਵੱਧ-ਘੱਟ ਸਬੰਧ ਮਾਇਨੇ ਰੱਖਦੇ ਹਨ, ਵਜ਼ਨ ਸੂਚੀਕਰਨ ਨਾਮਾਂ ਦੇ ਇੱਕ ਸਧਾਰਨ ਕ੍ਰਮ ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। "ਹਲਕੇ" ਵਜ਼ਨ ਪਹਿਲਾਂ ਸੂਚੀਬੱਧ ਕੀਤੇ ਗਏ ਹਨ, ਫਿਰ "ਭਾਰੀ"। ਮੈਂ ਤੁਹਾਨੂੰ ਯਾਦ ਕਰਾਵਾਂਗਾ ਕਿ ਹਰੇਕ ਯੂਨੀਕੋਡ ਅੱਖਰ ਨੂੰ ਚਾਰ ਵੱਖ-ਵੱਖ ਵਜ਼ਨ ਦਿੱਤੇ ਗਏ ਹਨ। ਇੱਥੇ ਉਹਨਾਂ ਨੂੰ ਇੱਕ ਸਿੰਗਲ ਕ੍ਰਮਬੱਧ ਕ੍ਰਮ ਵਿੱਚ ਜੋੜਿਆ ਗਿਆ ਹੈ। ਸਿਧਾਂਤ ਵਿੱਚ, ਕੋਈ ਵੀ ਪ੍ਰਤੀਕ ਨਾਮ ਚਾਰ ਪੱਧਰਾਂ ਵਿੱਚੋਂ ਕਿਸੇ ਵੀ 'ਤੇ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਪਰ ਟਿੱਪਣੀਆਂ ਤੋਂ ਪਤਾ ਲੱਗਦਾ ਹੈ ਕਿ ਵਿਕਾਸਕਾਰ ਮਾਨਸਿਕ ਤੌਰ 'ਤੇ ਨਾਮਾਂ ਨੂੰ ਪੱਧਰਾਂ ਵਿੱਚ ਵੱਖ ਕਰਦੇ ਹਨ।

% 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

ਅੰਤ ਵਿੱਚ, ਅਸਲ ਭਾਰ ਸਾਰਣੀ.

ਵਜ਼ਨ ਸੈਕਸ਼ਨ ਕੀਵਰਡ ਲਾਈਨਾਂ ਵਿੱਚ ਬੰਦ ਹੈ ਆਰਡਰ_ਸਟਾਰਟ и ਆਰਡਰ_ਐਂਡ. ਵਾਧੂ ਵਿਕਲਪ ਆਰਡਰ_ਸਟਾਰਟ ਇਹ ਨਿਰਧਾਰਤ ਕਰੋ ਕਿ ਤੁਲਨਾ ਦੇ ਹਰੇਕ ਪੱਧਰ 'ਤੇ ਕਤਾਰਾਂ ਨੂੰ ਕਿਸ ਦਿਸ਼ਾ ਵਿੱਚ ਸਕੈਨ ਕੀਤਾ ਗਿਆ ਹੈ। ਡਿਫੌਲਟ ਸੈਟਿੰਗ ਹੈ ਅੱਗੇ. ਭਾਗ ਦੇ ਮੁੱਖ ਭਾਗ ਵਿੱਚ ਲਾਈਨਾਂ ਹੁੰਦੀਆਂ ਹਨ ਜਿਹਨਾਂ ਵਿੱਚ ਚਿੰਨ੍ਹ ਕੋਡ ਅਤੇ ਇਸਦੇ ਚਾਰ ਵਜ਼ਨ ਹੁੰਦੇ ਹਨ। ਅੱਖਰ ਕੋਡ ਨੂੰ ਅੱਖਰ, ਇੱਕ ਕੋਡ ਬਿੰਦੂ, ਜਾਂ ਪਹਿਲਾਂ ਪਰਿਭਾਸ਼ਿਤ ਇੱਕ ਪ੍ਰਤੀਕ ਨਾਮ ਦੁਆਰਾ ਦਰਸਾਇਆ ਜਾ ਸਕਦਾ ਹੈ। ਵਜ਼ਨ ਪ੍ਰਤੀਕ ਨਾਮਾਂ, ਕੋਡ ਬਿੰਦੂਆਂ, ਜਾਂ ਚਿੰਨ੍ਹਾਂ ਨੂੰ ਵੀ ਦਿੱਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਜੇਕਰ ਕੋਡ ਪੁਆਇੰਟ ਜਾਂ ਅੱਖਰ ਵਰਤੇ ਜਾਂਦੇ ਹਨ, ਤਾਂ ਉਹਨਾਂ ਦਾ ਭਾਰ ਕੋਡ ਪੁਆਇੰਟ (ਯੂਨੀਕੋਡ ਸਾਰਣੀ ਵਿੱਚ ਸਥਿਤੀ) ਦੇ ਸੰਖਿਆਤਮਕ ਮੁੱਲ ਦੇ ਬਰਾਬਰ ਹੁੰਦਾ ਹੈ। ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਨਿਰਦਿਸ਼ਟ ਨਹੀਂ ਕੀਤੇ ਗਏ ਅੱਖਰ (ਜਿਵੇਂ ਕਿ ਮੈਂ ਸਮਝਦਾ ਹਾਂ) ਨੂੰ ਸਾਰਣੀ ਨੂੰ ਪ੍ਰਾਇਮਰੀ ਵਜ਼ਨ ਦੇ ਨਾਲ ਨਿਰਧਾਰਤ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ ਜੋ ਯੂਨੀਕੋਡ ਸਾਰਣੀ ਵਿੱਚ ਸਥਿਤੀ ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੈ। ਵਿਸ਼ੇਸ਼ ਭਾਰ ਮੁੱਲ ਅਗਿਆਤ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਪ੍ਰਤੀਕ ਨੂੰ ਤੁਲਨਾ ਦੇ ਉਚਿਤ ਪੱਧਰ 'ਤੇ ਨਜ਼ਰਅੰਦਾਜ਼ ਕੀਤਾ ਗਿਆ ਹੈ।

ਸਕੇਲਾਂ ਦੀ ਬਣਤਰ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਨ ਲਈ, ਮੈਂ ਤਿੰਨ ਕਾਫ਼ੀ ਸਪੱਸ਼ਟ ਟੁਕੜੇ ਚੁਣੇ:

• ਅੱਖਰ ਜੋ ਪੂਰੀ ਤਰ੍ਹਾਂ ਅਣਡਿੱਠ ਕਰ ਦਿੱਤੇ ਗਏ ਹਨ
• ਪਹਿਲੇ ਦੋ ਪੱਧਰਾਂ ਵਿੱਚ ਨੰਬਰ ਤਿੰਨ ਦੇ ਬਰਾਬਰ ਚਿੰਨ੍ਹ
• ਸਿਰਿਲਿਕ ਵਰਣਮਾਲਾ ਦੀ ਸ਼ੁਰੂਆਤ, ਜਿਸ ਵਿੱਚ ਡਾਇਕ੍ਰਿਟਿਕਸ ਸ਼ਾਮਲ ਨਹੀਂ ਹਨ, ਅਤੇ ਇਸਲਈ ਮੁੱਖ ਤੌਰ 'ਤੇ ਪਹਿਲੇ ਅਤੇ ਤੀਜੇ ਪੱਧਰਾਂ ਦੁਆਰਾ ਕ੍ਰਮਬੱਧ ਕੀਤਾ ਗਿਆ ਹੈ।

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

ਹੁਣ ਤੁਸੀਂ ਲੇਖ ਦੇ ਸ਼ੁਰੂ ਤੋਂ ਉਦਾਹਰਨਾਂ ਨੂੰ ਛਾਂਟਣ ਲਈ ਵਾਪਸ ਆ ਸਕਦੇ ਹੋ। ਹਮਲਾ ਵਜ਼ਨ ਸਾਰਣੀ ਦੇ ਇਸ ਹਿੱਸੇ ਵਿੱਚ ਹੈ:

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

ਇਹ ਦੇਖਿਆ ਜਾ ਸਕਦਾ ਹੈ ਕਿ ਇਸ ਸਾਰਣੀ ਵਿੱਚ ਸਾਰਣੀ ਤੋਂ ਵਿਰਾਮ ਚਿੰਨ੍ਹ ਹਨ ASCII (ਸਪੇਸ ਸਮੇਤ) ਸਤਰ ਦੀ ਤੁਲਨਾ ਕਰਦੇ ਸਮੇਂ ਲਗਭਗ ਹਮੇਸ਼ਾ ਅਣਡਿੱਠ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਸਿਰਫ ਅਪਵਾਦ ਉਹ ਲਾਈਨਾਂ ਹਨ ਜੋ ਮੇਲ ਖਾਂਦੀਆਂ ਸਥਿਤੀਆਂ ਵਿੱਚ ਪਾਏ ਜਾਣ ਵਾਲੇ ਵਿਰਾਮ ਚਿੰਨ੍ਹਾਂ ਨੂੰ ਛੱਡ ਕੇ ਹਰ ਚੀਜ਼ ਵਿੱਚ ਮੇਲ ਖਾਂਦੀਆਂ ਹਨ। ਤੁਲਨਾ ਐਲਗੋਰਿਦਮ ਲਈ ਮੇਰੀ ਉਦਾਹਰਨ (ਛਾਂਟਣ ਤੋਂ ਬਾਅਦ) ਦੀਆਂ ਲਾਈਨਾਂ ਇਸ ਤਰ੍ਹਾਂ ਦਿਖਾਈ ਦਿੰਦੀਆਂ ਹਨ:

АбакановМихаилмаляр
ЁлкинаЭллакрановщица
ИвановаАлламаляр
ИвановАндрейслесарь

ਇਹ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ ਕਿ ਸਕੇਲਾਂ ਦੀ ਸਾਰਣੀ ਵਿੱਚ, ਰੂਸੀ ਵਿੱਚ ਵੱਡੇ ਅੱਖਰ ਛੋਟੇ ਅੱਖਰਾਂ (ਤੀਜੇ ਪੱਧਰ 'ਤੇ) ਦੇ ਬਾਅਦ ਆਉਂਦੇ ਹਨ। ਨਾਲੋਂ ਭਾਰੀ ), ਛਾਂਟੀ ਬਿਲਕੁਲ ਸਹੀ ਜਾਪਦੀ ਹੈ।

ਇੱਕ ਵੇਰੀਏਬਲ ਸੈੱਟ ਕਰਨ ਵੇਲੇ LC_COLLATE=C ਇੱਕ ਵਿਸ਼ੇਸ਼ ਸਾਰਣੀ ਲੋਡ ਕੀਤੀ ਗਈ ਹੈ ਜੋ ਇੱਕ ਬਾਈਟ-ਬਾਈ-ਬਾਈਟ ਤੁਲਨਾ ਨੂੰ ਨਿਸ਼ਚਿਤ ਕਰਦੀ ਹੈ

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'
};

ਕਿਉਂਕਿ ਯੂਨੀਕੋਡ ਵਿੱਚ ਕੋਡ ਪੁਆਇੰਟ Ё A ਤੋਂ ਪਹਿਲਾਂ ਆਉਂਦਾ ਹੈ, ਇਸ ਲਈ ਸਟਰਿੰਗਾਂ ਨੂੰ ਕ੍ਰਮਬੱਧ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

ਟੈਕਸਟ ਅਤੇ ਬਾਈਨਰੀ ਟੇਬਲ

ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ, ਸਟ੍ਰਿੰਗ ਤੁਲਨਾ ਇੱਕ ਬਹੁਤ ਹੀ ਆਮ ਕਾਰਵਾਈ ਹੈ, ਅਤੇ ਟੇਬਲ ਪਾਰਸਿੰਗ ਹੈ ਸੀ.ਟੀ.ਟੀ. ਕਾਫ਼ੀ ਮਹਿੰਗਾ ਪ੍ਰਕਿਰਿਆ. ਟੇਬਲ ਤੱਕ ਪਹੁੰਚ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਲਈ, ਇਸਨੂੰ ਕਮਾਂਡ ਦੇ ਨਾਲ ਬਾਈਨਰੀ ਰੂਪ ਵਿੱਚ ਕੰਪਾਇਲ ਕੀਤਾ ਗਿਆ ਹੈ localdef.

ਦੀ ਟੀਮ localdef ਰਾਸ਼ਟਰੀ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਇੱਕ ਸਾਰਣੀ ਵਾਲੀ ਇੱਕ ਫਾਈਲ ਨੂੰ ਮਾਪਦੰਡਾਂ ਵਜੋਂ ਸਵੀਕਾਰ ਕਰਦਾ ਹੈ (ਵਿਕਲਪ -i), ਜਿਸ ਵਿੱਚ ਸਾਰੇ ਅੱਖਰ ਯੂਨੀਕੋਡ ਬਿੰਦੀਆਂ ਦੁਆਰਾ ਦਰਸਾਏ ਜਾਂਦੇ ਹਨ, ਅਤੇ ਯੂਨੀਕੋਡ ਬਿੰਦੀਆਂ ਅਤੇ ਇੱਕ ਖਾਸ ਏਨਕੋਡਿੰਗ ਦੇ ਅੱਖਰਾਂ ਦੇ ਵਿਚਕਾਰ ਪੱਤਰ ਵਿਹਾਰ ਦੀ ਇੱਕ ਫਾਈਲ (ਵਿਕਲਪ) -f). ਕੰਮ ਦੇ ਨਤੀਜੇ ਵਜੋਂ, ਬਾਈਨਰੀ ਫਾਈਲਾਂ ਲੋਕੇਲ ਲਈ ਆਖਰੀ ਪੈਰਾਮੀਟਰ ਵਿੱਚ ਦਰਸਾਏ ਗਏ ਨਾਮ ਨਾਲ ਬਣਾਈਆਂ ਜਾਂਦੀਆਂ ਹਨ।

glibc ਦੋ ਬਾਈਨਰੀ ਫਾਈਲ ਫਾਰਮੈਟਾਂ ਦਾ ਸਮਰਥਨ ਕਰਦਾ ਹੈ: "ਰਵਾਇਤੀ" ਅਤੇ "ਆਧੁਨਿਕ"।

ਪਰੰਪਰਾਗਤ ਫਾਰਮੈਟ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਲੋਕੇਲ ਦਾ ਨਾਮ ਉਪ-ਡਾਇਰੈਕਟਰੀ ਦਾ ਨਾਮ ਹੈ /usr/lib/locale/. ਇਹ ਸਬ-ਡਾਇਰੈਕਟਰੀ ਬਾਈਨਰੀ ਫਾਈਲਾਂ ਨੂੰ ਸਟੋਰ ਕਰਦੀ ਹੈ LC_COLLATE, LC_CTYPE, LC_TIME ਇਤਆਦਿ. ਫਾਈਲ LC_IDENTIFICATION ਲੋਕੇਲ ਦਾ ਰਸਮੀ ਨਾਮ (ਜੋ ਕਿ ਡਾਇਰੈਕਟਰੀ ਦੇ ਨਾਮ ਤੋਂ ਵੱਖਰਾ ਹੋ ਸਕਦਾ ਹੈ) ਅਤੇ ਟਿੱਪਣੀਆਂ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ।

ਆਧੁਨਿਕ ਫਾਰਮੈਟ ਵਿੱਚ ਸਾਰੇ ਲੋਕੇਲਾਂ ਨੂੰ ਇੱਕ ਪੁਰਾਲੇਖ ਵਿੱਚ ਸਟੋਰ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ /usr/lib/locale/locale-archive, ਜਿਸ ਨੂੰ ਵਰਤ ਕੇ ਸਾਰੀਆਂ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੀ ਵਰਚੁਅਲ ਮੈਮੋਰੀ ਨਾਲ ਮੈਪ ਕੀਤਾ ਗਿਆ ਹੈ glibc. ਆਧੁਨਿਕ ਫਾਰਮੈਟ ਵਿੱਚ ਲੋਕੇਲ ਨਾਮ ਕੁਝ ਕੈਨੋਨਾਈਜ਼ੇਸ਼ਨ ਦੇ ਅਧੀਨ ਹੈ - ਸਿਰਫ ਸੰਖਿਆਵਾਂ ਅਤੇ ਅੱਖਰ ਜੋ ਛੋਟੇ ਅੱਖਰਾਂ ਵਿੱਚ ਘਟਾਏ ਗਏ ਹਨ, ਏਨਕੋਡਿੰਗ ਨਾਮਾਂ ਵਿੱਚ ਰਹਿੰਦੇ ਹਨ। ਇਸ ਲਈ ru_RU.KOI8-ਆਰ, ਦੇ ਰੂਪ ਵਿੱਚ ਸੁਰੱਖਿਅਤ ਕੀਤਾ ਜਾਵੇਗਾ ru_RU.koi8r.

ਇਨਪੁਟ ਫਾਈਲਾਂ ਨੂੰ ਮੌਜੂਦਾ ਡਾਇਰੈਕਟਰੀ ਦੇ ਨਾਲ-ਨਾਲ ਡਾਇਰੈਕਟਰੀਆਂ ਵਿੱਚ ਖੋਜਿਆ ਜਾਂਦਾ ਹੈ /usr/share/i18n/locales/ и /usr/share/i18n/charmaps/ ਫਾਈਲਾਂ ਲਈ ਸੀ.ਟੀ.ਟੀ. ਅਤੇ ਇੰਕੋਡਿੰਗ ਫਾਈਲਾਂ, ਕ੍ਰਮਵਾਰ।

ਉਦਾਹਰਨ ਲਈ, ਹੁਕਮ

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

ਫਾਇਲ ਨੂੰ ਕੰਪਾਇਲ ਕਰੇਗਾ /usr/share/i18n/locales/ru_RU ਏਨਕੋਡਿੰਗ ਫਾਈਲ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ /usr/share/i18n/charmaps/MAC-CYRILLIC.gz ਅਤੇ ਨਤੀਜਾ ਸੁਰੱਖਿਅਤ ਕਰੋ /usr/lib/locale/locale-archive ਨਾਮ ਹੇਠ ru_RU.ਮੈਕਸੀਰਿਲਿਕ

ਜੇਕਰ ਤੁਸੀਂ ਵੇਰੀਏਬਲ ਸੈੱਟ ਕਰਦੇ ਹੋ LANG = en_US.UTF-8 ਫਿਰ glibc ਫਾਈਲਾਂ ਅਤੇ ਡਾਇਰੈਕਟਰੀਆਂ ਦੇ ਹੇਠਲੇ ਕ੍ਰਮ ਵਿੱਚ ਲੋਕੇਲ ਬਾਈਨਰੀਆਂ ਦੀ ਖੋਜ ਕਰੇਗਾ:

/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/

ਜੇਕਰ ਕੋਈ ਲੋਕੇਲ ਰਵਾਇਤੀ ਅਤੇ ਆਧੁਨਿਕ ਦੋਵਾਂ ਫਾਰਮੈਟਾਂ ਵਿੱਚ ਵਾਪਰਦਾ ਹੈ, ਤਾਂ ਆਧੁਨਿਕ ਨੂੰ ਤਰਜੀਹ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ।

ਤੁਸੀਂ ਕਮਾਂਡ ਨਾਲ ਕੰਪਾਇਲ ਕੀਤੇ ਲੋਕੇਲਾਂ ਦੀ ਸੂਚੀ ਦੇਖ ਸਕਦੇ ਹੋ ਲੋਕੇਲ- a.

ਤੁਹਾਡੀ ਤੁਲਨਾ ਸਾਰਣੀ ਤਿਆਰ ਕੀਤੀ ਜਾ ਰਹੀ ਹੈ

ਹੁਣ, ਗਿਆਨ ਨਾਲ ਲੈਸ, ਤੁਸੀਂ ਆਪਣੀ ਖੁਦ ਦੀ ਆਦਰਸ਼ ਸਟ੍ਰਿੰਗ ਤੁਲਨਾ ਸਾਰਣੀ ਬਣਾ ਸਕਦੇ ਹੋ। ਇਸ ਸਾਰਣੀ ਵਿੱਚ ਰੂਸੀ ਅੱਖਰਾਂ ਦੀ ਸਹੀ ਤੁਲਨਾ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ, ਜਿਸ ਵਿੱਚ ਅੱਖਰ Ё ਸ਼ਾਮਲ ਹਨ, ਅਤੇ ਉਸੇ ਸਮੇਂ ਸਾਰਣੀ ਦੇ ਅਨੁਸਾਰ ਵਿਰਾਮ ਚਿੰਨ੍ਹਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਣਾ ਚਾਹੀਦਾ ਹੈ। ASCII.

ਤੁਹਾਡੀ ਆਪਣੀ ਛਾਂਟੀ ਸਾਰਣੀ ਨੂੰ ਤਿਆਰ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਦੋ ਪੜਾਅ ਹੁੰਦੇ ਹਨ: ਵਜ਼ਨ ਟੇਬਲ ਨੂੰ ਸੰਪਾਦਿਤ ਕਰਨਾ ਅਤੇ ਇਸਨੂੰ ਕਮਾਂਡ ਨਾਲ ਬਾਈਨਰੀ ਰੂਪ ਵਿੱਚ ਕੰਪਾਇਲ ਕਰਨਾ। localdef.

ਤੁਲਨਾਤਮਕ ਸਾਰਣੀ ਨੂੰ ਘੱਟੋ-ਘੱਟ ਸੰਪਾਦਨ ਲਾਗਤਾਂ ਨਾਲ ਵਿਵਸਥਿਤ ਕਰਨ ਲਈ, ਫਾਰਮੈਟ ਵਿੱਚ ਨੂੰ ISO 14652 ਮੌਜੂਦਾ ਸਾਰਣੀ ਦੇ ਵਜ਼ਨ ਨੂੰ ਅਨੁਕੂਲ ਕਰਨ ਲਈ ਭਾਗ ਪ੍ਰਦਾਨ ਕੀਤੇ ਗਏ ਹਨ। ਭਾਗ ਇੱਕ ਕੀਵਰਡ ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ ਮੁੜ ਕ੍ਰਮ-ਬਾਅਦ ਅਤੇ ਉਸ ਸਥਿਤੀ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਜਿਸ ਤੋਂ ਬਾਅਦ ਤਬਦੀਲੀ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਸੈਕਸ਼ਨ ਲਾਈਨ ਦੇ ਨਾਲ ਖਤਮ ਹੁੰਦਾ ਹੈ ਮੁੜ ਕ੍ਰਮ-ਅੰਤ. ਜੇ ਸਾਰਣੀ ਦੇ ਕਈ ਭਾਗਾਂ ਨੂੰ ਠੀਕ ਕਰਨਾ ਜ਼ਰੂਰੀ ਹੈ, ਤਾਂ ਹਰੇਕ ਅਜਿਹੇ ਭਾਗ ਲਈ ਇੱਕ ਭਾਗ ਬਣਾਇਆ ਗਿਆ ਹੈ.

ਮੈਂ ਫਾਈਲਾਂ ਦੇ ਨਵੇਂ ਸੰਸਕਰਣਾਂ ਦੀ ਨਕਲ ਕੀਤੀ ਹੈ iso14651_t1_common и ru_RU ਰਿਪੋਜ਼ਟਰੀ ਤੱਕ glibc ਮੇਰੀ ਹੋਮ ਡਾਇਰੈਕਟਰੀ ਵਿੱਚ ~/.local/share/i18n/locales/ ਅਤੇ ਭਾਗ ਨੂੰ ਥੋੜ੍ਹਾ ਸੰਪਾਦਿਤ ਕੀਤਾ LC_COLLATE в ru_RU. ਫਾਈਲਾਂ ਦੇ ਨਵੇਂ ਸੰਸਕਰਣ ਮੇਰੇ ਸੰਸਕਰਣ ਦੇ ਨਾਲ ਪੂਰੀ ਤਰ੍ਹਾਂ ਅਨੁਕੂਲ ਹਨ glibc. ਜੇਕਰ ਤੁਸੀਂ ਫਾਈਲਾਂ ਦੇ ਪੁਰਾਣੇ ਸੰਸਕਰਣਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਤੁਹਾਨੂੰ ਸਾਰਣੀ ਵਿੱਚ ਪ੍ਰਤੀਕ ਨਾਮ ਅਤੇ ਸਥਾਨ ਜਿੱਥੇ ਬਦਲਣਾ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ, ਨੂੰ ਬਦਲਣਾ ਹੋਵੇਗਾ।

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

ਵਾਸਤਵ ਵਿੱਚ, ਵਿੱਚ ਖੇਤਰਾਂ ਨੂੰ ਬਦਲਣਾ ਜ਼ਰੂਰੀ ਹੋਵੇਗਾ LC_IDENTIFICATION ਇਸ ਲਈ ਉਹ ਲੋਕੇਲ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰਦੇ ਹਨ ru_MY, ਪਰ ਮੇਰੀ ਉਦਾਹਰਨ ਵਿੱਚ ਇਸਦੀ ਲੋੜ ਨਹੀਂ ਸੀ, ਕਿਉਂਕਿ ਮੈਂ ਲੋਕੇਲਾਂ ਦੀ ਖੋਜ ਤੋਂ ਆਰਕਾਈਵ ਨੂੰ ਬਾਹਰ ਰੱਖਿਆ ਸੀ ਲੋਕੇਲ-ਪੁਰਾਲੇਖ.

ਹੈ, ਜੋ ਕਿ localdef ਇੱਕ ਵੇਰੀਏਬਲ ਦੁਆਰਾ ਮੇਰੇ ਫੋਲਡਰ ਵਿੱਚ ਫਾਈਲਾਂ ਨਾਲ ਕੰਮ ਕੀਤਾ I18NPATH ਤੁਸੀਂ ਇਨਪੁਟ ਫਾਈਲਾਂ ਦੀ ਖੋਜ ਕਰਨ ਲਈ ਇੱਕ ਵਾਧੂ ਡਾਇਰੈਕਟਰੀ ਸ਼ਾਮਲ ਕਰ ਸਕਦੇ ਹੋ, ਅਤੇ ਬਾਈਨਰੀ ਫਾਈਲਾਂ ਨੂੰ ਸੁਰੱਖਿਅਤ ਕਰਨ ਲਈ ਡਾਇਰੈਕਟਰੀ ਨੂੰ ਸਲੈਸ਼ਾਂ ਦੇ ਨਾਲ ਇੱਕ ਮਾਰਗ ਦੇ ਤੌਰ ਤੇ ਨਿਰਧਾਰਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ:

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

ਪੁਆਇਕਸ ਇਹ ਮੰਨਦਾ ਹੈ ਕਿ ਵਿੱਚ ਲੈਂਗ ਤੁਸੀਂ ਫਾਰਵਰਡ ਸਲੈਸ਼ ਨਾਲ ਸ਼ੁਰੂ ਕਰਦੇ ਹੋਏ, ਲੋਕੇਲ ਫਾਈਲਾਂ ਨਾਲ ਡਾਇਰੈਕਟਰੀਆਂ ਲਈ ਪੂਰਨ ਮਾਰਗ ਲਿਖ ਸਕਦੇ ਹੋ, ਪਰ glibc в ਲੀਨਕਸ ਸਾਰੇ ਮਾਰਗ ਬੇਸ ਡਾਇਰੈਕਟਰੀ ਤੋਂ ਗਿਣੇ ਜਾਂਦੇ ਹਨ, ਜੋ ਕਿ ਵੇਰੀਏਬਲ ਦੁਆਰਾ ਓਵਰਰਾਈਡ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ LOCPATH. ਇੰਸਟਾਲੇਸ਼ਨ ਦੇ ਬਾਅਦ LOCPATH=~/.local/lib/locale/ ਲੋਕਾਲਾਈਜੇਸ਼ਨ ਨਾਲ ਸਬੰਧਤ ਸਾਰੀਆਂ ਫਾਈਲਾਂ ਸਿਰਫ ਮੇਰੇ ਫੋਲਡਰ ਵਿੱਚ ਖੋਜੀਆਂ ਜਾਣਗੀਆਂ। ਵੇਰੀਏਬਲ ਸੈੱਟ ਦੇ ਨਾਲ ਲੋਕੇਲਾਂ ਦਾ ਪੁਰਾਲੇਖ LOCPATH ਅਣਡਿੱਠ ਕੀਤਾ.

ਇੱਥੇ ਨਿਰਣਾਇਕ ਟੈਸਟ ਹੈ:

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

ਹੂਰੇ! ਅਸੀਂ ਇਹ ਕੀਤਾ!

ਬੱਗ ਕੰਮ

ਮੈਂ ਸ਼ੁਰੂ ਵਿੱਚ ਪੁੱਛੇ ਗਏ ਸਤਰ ਛਾਂਟੀ ਬਾਰੇ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇ ਚੁੱਕਾ ਹਾਂ, ਪਰ ਅਜੇ ਵੀ ਗਲਤੀਆਂ ਬਾਰੇ ਕੁਝ ਸਵਾਲ ਹਨ - ਦਿਸਣਯੋਗ ਅਤੇ ਅਦਿੱਖ।

ਚਲੋ ਮੂਲ ਸਮੱਸਿਆ ਵੱਲ ਮੁੜਦੇ ਹਾਂ।

ਅਤੇ ਪ੍ਰੋਗਰਾਮ ਲੜੀਬੱਧ ਅਤੇ ਪ੍ਰੋਗਰਾਮ ਜੁੜੋ ਤੋਂ ਸਮਾਨ ਸਟ੍ਰਿੰਗ ਤੁਲਨਾ ਫੰਕਸ਼ਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ glibc. ਇਹ ਕਿਵੇਂ ਹੋ ਗਿਆ ਜੁੜੋ ਕਮਾਂਡ ਦੁਆਰਾ ਲੜੀਬੱਧ ਕਤਾਰਾਂ 'ਤੇ ਛਾਂਟਣ ਦੀ ਗਲਤੀ ਦਿੱਤੀ ਗਈ ਹੈ ਲੜੀਬੱਧ ਲੋਕੇਲ ਵਿੱਚ en_US.UTF-8? ਜਵਾਬ ਸਧਾਰਨ ਹੈ: ਲੜੀਬੱਧ ਪੂਰੀ ਸਤਰ ਦੀ ਤੁਲਨਾ ਕਰਦਾ ਹੈ, ਅਤੇ ਜੁੜੋ ਸਿਰਫ਼ ਕੁੰਜੀ ਦੀ ਤੁਲਨਾ ਕਰਦਾ ਹੈ, ਜੋ ਕਿ ਮੂਲ ਰੂਪ ਵਿੱਚ ਪਹਿਲੇ ਵ੍ਹਾਈਟਸਪੇਸ ਅੱਖਰ ਤੱਕ ਸਤਰ ਦੀ ਸ਼ੁਰੂਆਤ ਹੁੰਦੀ ਹੈ। ਮੇਰੀ ਉਦਾਹਰਨ ਵਿੱਚ, ਇਸ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਇੱਕ ਗਲਤੀ ਸੁਨੇਹਾ ਆਇਆ ਕਿਉਂਕਿ ਲਾਈਨਾਂ ਵਿੱਚ ਪਹਿਲੇ ਸ਼ਬਦਾਂ ਦੀ ਛਾਂਟੀ ਪੂਰੀ ਲਾਈਨਾਂ ਦੀ ਛਾਂਟੀ ਨਾਲ ਮੇਲ ਨਹੀਂ ਖਾਂਦੀ ਸੀ।

ਲੋਕੇਲ "ਸੀ" ਗਾਰੰਟੀ ਦਿੰਦਾ ਹੈ ਕਿ ਕ੍ਰਮਬੱਧ ਸਤਰ ਵਿੱਚ ਪਹਿਲੀ ਸਪੇਸ ਤੱਕ ਸ਼ੁਰੂਆਤੀ ਸਬਸਟਰਿੰਗਾਂ ਨੂੰ ਵੀ ਕ੍ਰਮਬੱਧ ਕੀਤਾ ਜਾਵੇਗਾ, ਪਰ ਇਹ ਸਿਰਫ ਗਲਤੀ ਨੂੰ ਮਾਸਕ ਕਰਦਾ ਹੈ। ਡਾਟਾ ਚੁਣਨਾ ਸੰਭਵ ਹੈ (ਇੱਕੋ ਸਰਨੇਮ ਵਾਲੇ ਲੋਕ, ਪਰ ਵੱਖੋ ਵੱਖਰੇ ਨਾਮ) ਜੋ ਕਿ ਗਲਤੀ ਸੁਨੇਹੇ ਤੋਂ ਬਿਨਾਂ, ਇੱਕ ਗਲਤ ਫਾਈਲ ਮਰਜ ਨਤੀਜਾ ਦੇਵੇਗਾ। ਜੇ ਅਸੀਂ ਚਾਹੁੰਦੇ ਹਾਂ ਜੁੜੋ ਪੂਰੇ ਨਾਮ ਨਾਲ ਫਾਈਲ ਲਾਈਨਾਂ ਨੂੰ ਮਿਲਾਇਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਸਹੀ ਤਰੀਕਾ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਫੀਲਡ ਵੱਖ ਕਰਨ ਵਾਲੇ ਨੂੰ ਨਿਸ਼ਚਿਤ ਕਰਨਾ ਅਤੇ ਕੁੰਜੀ ਖੇਤਰ ਦੁਆਰਾ ਕ੍ਰਮਬੱਧ ਕਰਨਾ ਹੋਵੇਗਾ, ਨਾ ਕਿ ਪੂਰੀ ਲਾਈਨ ਦੁਆਰਾ। ਇਸ ਸਥਿਤੀ ਵਿੱਚ, ਅਭੇਦ ਸਹੀ ਢੰਗ ਨਾਲ ਅੱਗੇ ਵਧੇਗਾ ਅਤੇ ਕਿਸੇ ਵੀ ਲੋਕੇਲ ਵਿੱਚ ਕੋਈ ਤਰੁੱਟੀਆਂ ਨਹੀਂ ਹੋਣਗੀਆਂ:

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

ਏਨਕੋਡਿੰਗ ਵਿੱਚ ਉਦਾਹਰਨ ਸਫਲਤਾਪੂਰਵਕ ਚਲਾਈ ਗਈ CP1251 ਇੱਕ ਹੋਰ ਗਲਤੀ ਸ਼ਾਮਲ ਹੈ। ਤੱਥ ਇਹ ਹੈ ਕਿ ਮੇਰੇ ਲਈ ਜਾਣੇ ਜਾਂਦੇ ਸਾਰੇ ਵੰਡਾਂ ਵਿੱਚ ਲੀਨਕਸ ਪੈਕੇਜਾਂ ਵਿੱਚ ਕੰਪਾਇਲ ਕੀਤਾ ਲੋਕੇਲ ਮੌਜੂਦ ਨਹੀਂ ਹੈ ru_RU.CP1251. ਜੇਕਰ ਕੰਪਾਇਲ ਕੀਤਾ ਲੋਕੇਲ ਨਹੀਂ ਮਿਲਿਆ, ਤਾਂ ਲੜੀਬੱਧ ਚੁੱਪਚਾਪ ਇੱਕ ਬਾਈਟ-ਬਾਈ-ਬਾਈਟ ਤੁਲਨਾ ਵਰਤਦਾ ਹੈ, ਜੋ ਅਸੀਂ ਦੇਖਿਆ ਹੈ।

ਤਰੀਕੇ ਨਾਲ, ਕੰਪਾਇਲ ਕੀਤੇ ਲੋਕੇਲਾਂ ਦੀ ਅਯੋਗਤਾ ਨਾਲ ਸਬੰਧਤ ਇਕ ਹੋਰ ਛੋਟੀ ਜਿਹੀ ਗੜਬੜ ਹੈ। ਟੀਮ LOCPATH=/tmp ਲੋਕੇਲ -a ਵਿੱਚ ਸਾਰੇ ਸਥਾਨਾਂ ਦੀ ਸੂਚੀ ਦੇਵੇਗਾ ਲੋਕੇਲ-ਪੁਰਾਲੇਖ, ਪਰ ਵੇਰੀਏਬਲ ਸੈੱਟ ਦੇ ਨਾਲ LOCPATH ਸਾਰੇ ਪ੍ਰੋਗਰਾਮਾਂ ਲਈ (ਸਭ ਤੋਂ ਵੱਧ ਸਥਾਨਕ) ਇਹ ਲੋਕੇਲ ਉਪਲਬਧ ਨਹੀਂ ਹੋਣਗੇ।

$> 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

ਸਿੱਟਾ

ਜੇ ਤੁਸੀਂ ਇੱਕ ਪ੍ਰੋਗਰਾਮਰ ਹੋ ਜੋ ਇਹ ਸੋਚਣ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ ਕਿ ਸਤਰ ਬਾਈਟਾਂ ਦਾ ਇੱਕ ਸਮੂਹ ਹੈ, ਤਾਂ ਤੁਹਾਡੀ ਪਸੰਦ LC_COLLATE=C.

ਜੇ ਤੁਸੀਂ ਇੱਕ ਭਾਸ਼ਾ ਵਿਗਿਆਨੀ ਜਾਂ ਸ਼ਬਦਕੋਸ਼ ਕੰਪਾਈਲਰ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਆਪਣੇ ਲੋਕੇਲ ਵਿੱਚ ਬਿਹਤਰ ਕੰਪਾਈਲ ਕਰੋ।

ਜੇ ਤੁਸੀਂ ਇੱਕ ਸਧਾਰਨ ਉਪਭੋਗਤਾ ਹੋ, ਤਾਂ ਤੁਹਾਨੂੰ ਇਸ ਤੱਥ ਦੀ ਆਦਤ ਪਾਉਣ ਦੀ ਜ਼ਰੂਰਤ ਹੈ ਕਿ ਕਮਾਂਡ ls -a ਇੱਕ ਅੱਖਰ ਨਾਲ ਸ਼ੁਰੂ ਹੋਣ ਵਾਲੀਆਂ ਫਾਈਲਾਂ ਦੇ ਨਾਲ ਇੱਕ ਬਿੰਦੀ ਨਾਲ ਸ਼ੁਰੂ ਹੋਣ ਵਾਲੀਆਂ ਫਾਈਲਾਂ ਨੂੰ ਆਉਟਪੁੱਟ ਕਰਦਾ ਹੈ, ਅਤੇ ਅੱਧੀ ਰਾਤ ਦਾ ਕਮਾਂਡਰ, ਜੋ ਨਾਮਾਂ ਨੂੰ ਛਾਂਟਣ ਲਈ ਇਸਦੇ ਅੰਦਰੂਨੀ ਫੰਕਸ਼ਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ, ਸੂਚੀ ਦੇ ਸ਼ੁਰੂ ਵਿੱਚ ਇੱਕ ਬਿੰਦੀ ਨਾਲ ਸ਼ੁਰੂ ਹੋਣ ਵਾਲੀਆਂ ਫਾਈਲਾਂ ਨੂੰ ਰੱਖਦਾ ਹੈ।

ਹਵਾਲੇ

ਰਿਪੋਰਟ ਨੰਬਰ 10 ਯੂਨੀਕੋਡ ਕੋਲੇਸ਼ਨ ਐਲਗੋਰਿਦਮ

unicode.org 'ਤੇ ਅੱਖਰਾਂ ਦਾ ਵਜ਼ਨ

ਆਈਸੀਯੂ - IBM ਤੋਂ ਯੂਨੀਕੋਡ ਨਾਲ ਕੰਮ ਕਰਨ ਲਈ ਇੱਕ ਲਾਇਬ੍ਰੇਰੀ ਨੂੰ ਲਾਗੂ ਕਰਨਾ।

ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਛਾਂਟੀ ਟੈਸਟ ਆਈਸੀਯੂ

ਵਿੱਚ ਅੱਖਰ ਭਾਰ ਨੂੰ ISO 14651

ਸਕੇਲਾਂ ਦੇ ਨਾਲ ਫਾਈਲ ਫਾਰਮੈਟ ਦਾ ਵੇਰਵਾ ਨੂੰ ISO 14652

ਵਿੱਚ ਸਤਰ ਦੀ ਤੁਲਨਾ ਦੀ ਚਰਚਾ glibc

ਸਰੋਤ: www.habr.com