{"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\/pl\/blog\/administrirovanie\/kak-linuxovskij-sort-sortiruet-stroki","title":{"rendered":"Jak sortowa\u0107 wiersze w Linuxowym sort","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Wprowadzenie<\/h1>\n

<\/p>\n

Wszystko zacz\u0119\u0142o si\u0119 od kr\u00f3tkiego skryptu, kt\u00f3ry mia\u0142 po\u0142\u0105czy\u0107 informacje o adresach e-mail<\/em> pracownik\u00f3w, pozyskanych z listy u\u017cytkownik\u00f3w poczty masowej, z stanowiskami pracownik\u00f3w, uzyskanymi z bazy dzia\u0142u kadr. Obie listy zosta\u0142y wyeksportowane do plik\u00f3w tekstowych w kodowaniu Unicode UTF-8<\/em> i zapisane z ko\u0144cami linii w stylu uniksowym.<\/p>\n

<\/p>\n

Zawarto\u015b\u0107 mail.txt<\/em><\/p>\n

<\/p>\n

Iwanow Andriej;ia@example.com<\/code><\/pre>\n
<\/p>\n
Zawarto\u015b\u0107 buhg.txt<\/em><\/p>\n
<\/p>\n
Iwanowa Alla;malarz\nJo\u0142kina Ella;d\u017awigowy\nIwanow Andriej;\u015blusarz\nAbakanow Michai\u0142;malarz<\/code><\/pre>\n
<\/p>\n
Aby je po\u0142\u0105czy\u0107, pliki zosta\u0142y posortowane za pomoc\u0105 uniksowego polecenia sort<\/em> i podane jako wej\u015bcie do programu uniksowego join<\/em>, kt\u00f3ry niespodziewanie zako\u0144czy\u0142 si\u0119 b\u0142\u0119dem: <\/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: nie jest posortowane: Iwanow Andriej;\u015blusarz<\/code><\/pre>\n
<\/p>\n
Przegl\u0105daj\u0105c wynik sortowania go\u0142ym okiem, mo\u017cna zauwa\u017cy\u0107, \u017ce sortowanie jest og\u00f3lnie poprawne, ale w przypadku pokrywaj\u0105cych si\u0119 nazwisk m\u0119skich i \u017ce\u0144skich, \u017ce\u0144skie s\u0105 przed m\u0119skimi:<\/p>\n
<\/p>\n
$> sort buhg.txt\nAbakanow Michai\u0142;malarz\nJo\u0142kina Ella;d\u017awigowy\nIwanowa Alla;malarz\nIwanow Andriej;\u015blusarz<\/code><\/pre>\n
<\/p>\n
Wygl\u0105da to jak b\u0142\u0105d sortowania w Unicode lub jak przejaw feminizmu w algorytmie sortuj\u0105cym. Pierwsze jest, oczywi\u015bcie, bardziej prawdopodobne.<\/p>\n
<\/a><\/noindex><\/p>\n
Odstawmy to na razie join<\/em> i skupmy si\u0119 na sort<\/em>. Spr\u00f3bujemy rozwi\u0105za\u0107 problem metod\u0105 pr\u00f3b i b\u0142\u0119d\u00f3w. Na pocz\u0105tek zmienimy lokalizacj\u0119 na en_US<\/em> na ru_RU<\/em>. Do sortowania wystarczy\u0142oby ustawi\u0107 zmienn\u0105 \u015brodowiskow\u0105 LC_COLLATE<\/em>, ale nie b\u0119dziemy si\u0119 drobiazgowo ogranicza\u0107:<\/p>\n
<\/p>\n
$> LANG=ru_RU.UTF-8 sort buhg.txt\nAbakanow Michai\u0142;malarz\nJo\u0142kina Ella;d\u017awigowy\nIwanowa Alla;malarz\nIwanow Andriej;\u015blusarz<\/code><\/pre>\n
<\/p>\n
Nic si\u0119 nie zmieni\u0142o.<\/p>\n
<\/p>\n
Spr\u00f3bujemy przekonwertowa\u0107 pliki na jednobajtowe kodowanie: <\/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
Zn\u00f3w nic si\u0119 nie zmienia.<\/p>\n
<\/p>\n
Trudno, b\u0119dziemy musieli poszuka\u0107 rozwi\u0105zania w internecie. Bezpo\u015brednio o rosyjskich nazwiskach nic nie ma, ale s\u0105 pytania o inne dziwne przypadki sortowania. Oto na przyk\u0142ad taki problem: unix sort traktuje znaki ‘-‘ (my\u015blnik) jako niewidoczne<\/a><\/noindex>. Kr\u00f3tko m\u00f3wi\u0105c, ci\u0105gi "a-b", "aa", "ac" s\u0105 sortowane jako "aa", "a-b", "ac".<\/p>\n
<\/p>\n
Odpowied\u017a wsz\u0119dzie jest standardowa: u\u017cyj lokalizacji programistycznej "C"<\/em> i b\u0119dziesz szcz\u0119\u015bliwy. Spr\u00f3bujmy:<\/p>\n
<\/p>\n
$> LANG=C sort buhg.txt\nJo\u0142kina Ella;d\u017awigowy\nAbakanow Michai\u0142;malarz\nIwanow Andriej;\u015blusarz\nIwanowa Alla;adwokat<\/code><\/pre>\n
<\/p>\n
Co\u015b si\u0119 zmieni\u0142o. Iwanowowie ustawili si\u0119 w poprawnej kolejno\u015bci, chocia\u017c Jo\u0142kina gdzie\u015b znikn\u0119\u0142a. Wracamy do pierwotnego zadania:<\/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
Zadzia\u0142a\u0142o bez b\u0142\u0119d\u00f3w, tak jak obieca\u0142 Internet. I to mimo obecno\u015bci '\u0401\u043bki' w pierwszym wierszu.<\/p>\n
<\/p>\n
Problem wydaje si\u0119 rozwi\u0105zany, ale na wszelki wypadek spr\u00f3bujemy jeszcze jedn\u0105 rosyjsk\u0105 kodowanie \u2014 windowsowe. 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
Wynik sortowania, co dziwne, b\u0119dzie zgodny z lokalizacj\u0105. "C"<\/em>, i ca\u0142y przyk\u0142ad, odpowiednio, przechodzi bez b\u0142\u0119d\u00f3w. To jaka\u015b mistyka.<\/p>\n
<\/p>\n
Nie lubi\u0119 mistyki w programowaniu, poniewa\u017c zwykle maskuje ona b\u0142\u0119dy. B\u0119d\u0119 musia\u0142 na powa\u017cnie zaj\u0105\u0107 si\u0119 kwesti\u0105, jak to dzia\u0142a sort<\/em> i na co wp\u0142ywa LC_COLLATE<\/em> .<\/p>\n
<\/p>\n
Na koniec postaram si\u0119 odpowiedzie\u0107 na pytania:<\/p>\n
<\/p>\n