{"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\/pt\/blog\/administrirovanie\/kak-linuxovskij-sort-sortiruet-stroki","title":{"rendered":"Como o sort do Linux ordena strings","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Introdu\u00e7\u00e3o<\/h1>\n

<\/p>\n

Tudo come\u00e7ou com um pequeno script que deveria combinar informa\u00e7\u00f5es sobre endere\u00e7os e-mail<\/em> de funcion\u00e1rios, obtidas de uma lista de usu\u00e1rios de mailing, com as posi\u00e7\u00f5es dos funcion\u00e1rios, obtidas do banco de dados do departamento de pessoal. Ambas as listas foram exportadas para arquivos de texto em codifica\u00e7\u00e3o Unicode UTF-8<\/em> e salvas com quebras de linha no formato Unix.<\/p>\n

<\/p>\n

Conte\u00fado mail.txt<\/em><\/p>\n

<\/p>\n

Ivanov Andrei;ia@example.com<\/code><\/pre>\n
<\/p>\n
Conte\u00fado buhg.txt<\/em><\/p>\n
<\/p>\n
Ivanova Alla;pintora\nYelkina Ella;guindasteira\nIvanov Andrei;serralheiro\nAbakanov Mikhail;pintor<\/code><\/pre>\n
<\/p>\n
Para combinar, os arquivos foram ordenados usando um comando Unix sort<\/em> e fornecidos como entrada para um programa Unix join<\/em>, que inesperadamente terminou com um erro: <\/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: n\u00e3o est\u00e1 ordenado: Ivanov Andrei;serralheiro<\/code><\/pre>\n
<\/p>\n
A visualiza\u00e7\u00e3o do resultado da ordena\u00e7\u00e3o mostrou que, de modo geral, a ordena\u00e7\u00e3o est\u00e1 correta, mas em casos de coincid\u00eancias de sobrenomes masculinos e femininos, os femininos aparecem antes dos masculinos:<\/p>\n
<\/p>\n
$> sort buhg.txt\nAbakanov Mikhail;pintor\nYelkina Ella;guindasteira\nIvanova Alla;pintora\nIvanov Andrei;serralheiro<\/code><\/pre>\n
<\/p>\n
Parece ser um bug na ordena\u00e7\u00e3o em Unicode ou uma manifesta\u00e7\u00e3o de feminismo no algoritmo de ordena\u00e7\u00e3o. A primeira, claro, \u00e9 mais plaus\u00edvel.<\/p>\n
<\/a><\/noindex><\/p>\n
Vamos deixar isso de lado join<\/em> e nos concentrar em sort<\/em>. Vamos tentar resolver o problema pelo m\u00e9todo da tentativa e erro. Para come\u00e7ar, vamos mudar a localidade de en_US<\/em> para ru_RU<\/em>. Para a ordena\u00e7\u00e3o, teria sido suficiente definir a vari\u00e1vel de ambiente LC_COLLATE<\/em>, mas n\u00e3o vamos ser mesquinhos:<\/p>\n
<\/p>\n
$> LANG=ru_RU.UTF-8 sort buhg.txt\nAbakanov Mikhail;pintor\nYelkina Ella;guindasteira\nIvanova Alla;pintora\nIvanov Andrei;serralheiro<\/code><\/pre>\n
<\/p>\n
Nada mudou.<\/p>\n
<\/p>\n
Vamos tentar reencodar os arquivos em uma codifica\u00e7\u00e3o de byte \u00fanico: <\/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
Novamente, nada mudou.<\/p>\n
<\/p>\n
N\u00e3o tem jeito, teremos que buscar a solu\u00e7\u00e3o na internet. N\u00e3o h\u00e1 nada espec\u00edfico sobre sobrenomes russos, mas existem perguntas sobre outras estranhezas da ordena\u00e7\u00e3o. Veja, por exemplo, este problema: O sort do UNIX trata os caracteres ‘-‘ (h\u00edfen) como invis\u00edveis<\/a><\/noindex>. Resumindo, as strings "a-b", "aa", "ac" s\u00e3o classificadas como "aa", "a-b", "ac".<\/p>\n
<\/p>\n
A resposta em todos os lugares \u00e9 padr\u00e3o: use a localidade de programa\u00e7\u00e3o "C"<\/em> e ser\u00e1 a sua felicidade. Vamos tentar:<\/p>\n
<\/p>\n
$> LANG=C sort buhg.txt\nYelkina Ella;guindasteira\nAbakanov Mikhail;pintor\nIvanov Andrei;serralheiro\nIvanova Alla;advogada<\/code><\/pre>\n
<\/p>\n
Algo mudou. Os Ivanovs foram organizados na ordem correta, embora Yelkina tenha desaparecido. Vamos voltar \u00e0 tarefa original:<\/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
Funcionou sem erros, como prometido pela internet. E isso apesar de \u0401\u043b\u043a\u0438\u043d na primeira linha.<\/p>\n
<\/p>\n
O problema parece ter sido resolvido, mas por precau\u00e7\u00e3o vamos tentar mais uma codifica\u00e7\u00e3o russa \u2014 a do 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
O resultado da ordena\u00e7\u00e3o, curiosamente, coincidir\u00e1 com a localidade "C"<\/em>, e todo o exemplo, consequentemente, passa sem erros. \u00c9 uma esp\u00e9cie de misticismo.<\/p>\n
<\/p>\n
Eu n\u00e3o gosto de misticismo na programa\u00e7\u00e3o, pois, geralmente, isso esconde erros. Terei que me debru\u00e7ar seriamente sobre a quest\u00e3o de como funciona sort<\/em> e o que influencia LC_COLLATE<\/em> .<\/p>\n
<\/p>\n
No final, tentarei responder \u00e0s perguntas:<\/p>\n
<\/p>\n