{"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\/sv\/blog\/administrirovanie\/kak-linuxovskij-sort-sortiruet-stroki","title":{"rendered":"Hur sorterar Linux' sort str\u00e4ngar","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Introduktion<\/h1>\n

<\/p>\n

Det hela b\u00f6rjade med ett kort skript som skulle sl\u00e5 samman information om adresser e-post<\/em> fr\u00e5n anst\u00e4lldas lista i mailutskicket med anst\u00e4lldas roller fr\u00e5n personalavdelningens databas. B\u00e5da listorna exporterades till textfiler i Unicode-kodning UTF-8<\/em> och sparades med Unix-radslut.<\/p>\n

<\/p>\n

Inneh\u00e5ll mail.txt<\/em><\/p>\n

<\/p>\n

Ivanov Andrei;ia@example.com<\/code><\/pre>\n
<\/p>\n
Inneh\u00e5ll buhg.txt<\/em><\/p>\n
<\/p>\n
Ivanova Alla;m\u00e5lare\nYelkina Ella;kranf\u00f6rare\nIvanov Andrei;svetsare\nAbakanov Mikhail;m\u00e5lare<\/code><\/pre>\n
<\/p>\n
F\u00f6r att sl\u00e5 samman var filerna sorterade med Unix-kommandot sort<\/em> och matades in i programmet join<\/em>, som ov\u00e4ntat avslutades med ett fel: <\/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: \u00e4r inte sorterat: Ivanov Andrei;svetsare<\/code><\/pre>\n
<\/p>\n
\u00d6versiktsgranskning av sorteringsresultatet visade att sorteringen \u00f6verlag var korrekt, men n\u00e4r det g\u00e4llde \u00f6verlappningar mellan manliga och kvinnliga efternamn hamnar kvinnorna f\u00f6re m\u00e4nnen:<\/p>\n
<\/p>\n
$> sort buhg.txt\nAbakanov Mikhail;m\u00e5lare\nYelkina Ella;kranf\u00f6rare\nIvanova Alla;m\u00e5lare\nIvanov Andrei;svetsare<\/code><\/pre>\n
<\/p>\n
Det ser ut som en bugg i Unicode-sortering eller ett uttryck f\u00f6r feminism i sorteringsalgoritmen. Det f\u00f6rsta verkar f\u00f6rst\u00e5s mer rimligt.<\/p>\n
<\/a><\/noindex><\/p>\n
L\u00e5t oss skjuta p\u00e5 det f\u00f6r nu join<\/em> och fokusera p\u00e5 sort<\/em>. L\u00e5t oss f\u00f6rs\u00f6ka l\u00f6sa uppgiften med trial and error. F\u00f6rst \u00e4ndrar vi locale fr\u00e5n en_US<\/em> till ru_RU<\/em>. F\u00f6r sortering skulle det ha r\u00e4ckt att s\u00e4tta milj\u00f6variabeln LC_COLLATE<\/em>, men vi ska inte sn\u00e5la:<\/p>\n
<\/p>\n
$> LANG=ru_RU.UTF-8 sort buhg.txt\nAbakanov Mikhail;m\u00e5lare\nYelkina Ella;kranf\u00f6rare\nIvanova Alla;m\u00e5lare\nIvanov Andrei;svetsare<\/code><\/pre>\n
<\/p>\n
Ingenting har f\u00f6r\u00e4ndrats.<\/p>\n
<\/p>\n
L\u00e5t oss f\u00f6rs\u00f6ka konvertera filerna till en enbyteskodning: <\/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
\u00c5terigen har ingenting f\u00f6r\u00e4ndrats.<\/p>\n
<\/p>\n
Det \u00e4r ingen utv\u00e4g, vi m\u00e5ste s\u00f6ka l\u00f6sningen p\u00e5 internet. Direkt om ryska efternamn finns inget, men det finns fr\u00e5gor om andra konstigheter i sortering. Till exempel finns det ett problem: unix sort treats ‘-‘ (dash) characters as invisible<\/a><\/noindex>. \u0415\u0441\u043b\u0438 \u043a\u0440\u0430\u0442\u043a\u043e, \u0442\u043e \u0441\u0442\u0440\u043e\u043a\u0438 "a-b", "aa", "ac" \u0441\u043e\u0440\u0442\u0438\u0440\u0443\u044e\u0442\u0441\u044f \u043a\u0430\u043a "aa", "a-b", "ac".<\/p>\n
<\/p>\n
Svaren \u00e4r alltid standard: anv\u00e4nd programmerarlocale "C"<\/em> och du f\u00e5r din lycka. Vi testar:<\/p>\n
<\/p>\n
$> LANG=C sort buhg.txt\nYelkina Ella;kranf\u00f6rare\nAbakanov Mikhail;m\u00e5lare\nIvanov Andrei;svetsare\nIvanova Alla;advokat<\/code><\/pre>\n
<\/p>\n
N\u00e5got har f\u00f6r\u00e4ndrats. Ivanov-familjen har st\u00e4llt sig i r\u00e4tt ordning, men Jelkin har glidit bort. Vi \u00e5terg\u00e5r till den ursprungliga uppgiften:<\/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
Det fungerade utan fel, precis som internet lovade. Och detta trots Jelkin i den f\u00f6rsta raden.<\/p>\n
<\/p>\n
Problemet verkar vara l\u00f6st, men f\u00f6r s\u00e4kerhets skull provar vi en till rysk kodning \u2014 Windows-kodningen. 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
Sorteringsresultatet, m\u00e4rkligt nog, kommer att \u00f6verensst\u00e4mma med lokaliteten. "C"<\/em>, och hela exemplet g\u00e5r d\u00e4rmed igenom utan fel. Det \u00e4r n\u00e5gon slags mystik.<\/p>\n
<\/p>\n
Jag gillar inte mystik i programmering, eftersom den vanligtvis d\u00f6ljer fel. Jag m\u00e5ste verkligen g\u00f6ra en djupdykning i hur det fungerar. sort<\/em> och vad det p\u00e5verkar. LC_COLLATE<\/em> .<\/p>\n
<\/p>\n
Till slut kommer jag att f\u00f6rs\u00f6ka svara p\u00e5 fr\u00e5gorna:<\/p>\n
<\/p>\n