什么是排序工具中的字母顺序？

Question

我自称为 POSIX shell 大师，但今天我却失策了。

所以这里没有什么奇怪的：

bash# printf 'v10\nv1.' | sort
v1.
v10

因为.的代码为0x2e，而0的代码为0x30。但是这句话的意思是什么：

bash# printf 'v101\nv1.1' | sort
v101
v1.1

什么？好的，我是一名巫师：

$ locale

LANG=en_US.UTF-8
LANGUAGE=
LC_CTYPE="en_US.UTF-8"
LC_NUMERIC="en_US.UTF-8"
LC_TIME=en_DK.utf8
LC_COLLATE="en_US.UTF-8"
LC_MONETARY="en_US.UTF-8"
LC_MESSAGES="en_US.UTF-8"
LC_PAPER="en_US.UTF-8"
LC_NAME="en_US.UTF-8"
LC_ADDRESS="en_US.UTF-8"
LC_TELEPHONE="en_US.UTF-8"
LC_MEASUREMENT="en_US.UTF-8"
LC_IDENTIFICATION="en_US.UTF-8"
LC_ALL=

所以：

bash# printf 'v101\nv1.1' | LC_ALL=C sort
v1.1
v101

如何通过语言环境/排序规则使得"v101" < "v1.1"？

我认为en_US.UTF-8语言环境有排序规则可以忽略.符号。这个测试表明我的看法是正确的：

bash# printf 'v102\nv1.01' | LC_ALL=en_US.UTF-8 sort
v1.01
v102

bash# printf 'v102\nv1.03' | LC_ALL=en_US.UTF-8 sort
v102
v1.03

我说的对吗？如果我说的对，那么谁不喜欢点呢？UTF-8或英语人士或美国人吗？

这是符合POSIX标准的行为吗？

- gavenkoa

---

是的，在比较时忽略一些字符是有效的。稍微相关的 WTF 时刻：http://stackoverflow.com/questions/34225675/weird-character-range-behaviour-with-locales-in-sed-regex-on-cygwin - Karoly Horvath

请告诉我你的回忆录将会被命名为“好的，我是巫师”，其中一章节标题为“今天我拉屎在裤子里”。+1 - pilcrow

https://www.madboa.com/geek/utf8/ - hookenz

您IP地址为143.198.54.68，由于运营成本限制，当前对于免费用户的使用频率限制为每个IP每72小时10次对话，如需解除限制，请点击左下角设置图标按钮（手机用户先点击左上角菜单按钮）。 - hookenz

Answer 1

是的，当LOCALE不是C时，点号似乎被忽略了。同样地，破折号也被忽略了。而且排序遵循区域设置。每天都会学到新东西。

matt@xen:~/dev/OTOY2$ printf "aa\nab\nac\n" | LC_COLLATE=C sort
aa
ab
ac
matth@xen:~/dev/OTOY2$ printf "aa\n.ab\nac\n" | LC_COLLATE=C sort
.ab
aa
ac

matt@xen:~/dev/OTOY2$ printf "aa\nab\nac\n" | sort
aa
ab
ac
matth@xen:~/dev/OTOY2$ printf "aa\n.ab\nac\n" | sort
aa
.ab
ac

你可能会感兴趣的是，sort命令也可以进行自然排序或数字排序。因此，使用-g或-h选项可以正确地对100、10和20进行排序。

在Linux下还有一个--debug标志。

matthewh@xen:~/dev/OTOY2$ printf 'v101\nv1.1' | sort --debug
sort: using ‘en_NZ.UTF-8’ sorting rules
v101
____
v1.1
____

我认为整个答案都包含在这份庞大的规范中： http://www.unicode.org/reports/tr10/。

- hookenz