LC_COLLATE có nên ảnh hưởng đến phạm vi ký tự không?

Thứ tự đối chiếu thông qua LC_COLLATEđịnh nghĩa không chỉ thứ tự sắp xếp của từng ký tự mà còn cả ý nghĩa của phạm vi ký tự. Hay không? Hãy xem xét đoạn trích sau:

unset LANGUAGE LC_ALL
echo B | LC_COLLATE=en_US grep '[a-z]'

Theo trực giác, Bkhông phải trong [a-z], vì vậy điều này không nên xuất ra bất cứ điều gì. Đó là những gì xảy ra trên Ubuntu 8.04 hoặc 10.04. Nhưng trên một số máy chạy lenny Debian hoặc bóp, Bđược tìm thấy, bởi vì phạm vi a-zbao gồm tất cả mọi thứ đó là giữa avà ztheo thứ tự đối chiếu, bao gồm cả chữ in hoa Bqua Z.

Tất cả các hệ thống được thử nghiệm đều có en_USmiền địa phương được tạo ra. Tôi cũng đã thử thay đổi ngôn ngữ khác nhau: trên các máy Bđược khớp ở trên, điều tương tự cũng xảy ra ở mọi ngôn ngữ có sẵn (chủ yếu dựa trên tiếng Latin : {en_{AU,CA,GB,IE,US},fr_FR,it_IT,es_ES,de_DE}{iso8859-1,iso8859-15,utf-8}, cũng là tiếng Trung Quốc) ngoại trừ tiếng Nhật (trong bất kỳ mã hóa có sẵn nào) và C/ POSIX.

Phạm vi ký tự có ý nghĩa gì trong các biểu thức thông thường , khi bạn vượt ra ngoài ASCII? Tại sao có một sự khác biệt giữa một số cài đặt Debian một mặt và mặt khác các cài đặt Debian và Ubuntu? Làm thế nào để các hệ thống khác hành xử? Ai đúng và ai nên báo cáo lỗi?

(Lưu ý rằng tôi đặc biệt yêu cầu về hành vi của nhân vật dao động như [a-z]trong en_USmiền địa phương, chủ yếu là trên các hệ thống libc dựa trên GNU. Tôi không yêu cầu như thế nào để phù hợp với chữ thường hoặc chữ ASCII chữ thường.)

Trên hai máy Debian, một máy Bở trong [a-z]và một máy không có, đầu ra LC_COLLATE=en_US locale -k LC_COLLATElà

collate-nrules=4
collate-rulesets=""
collate-symb-hash-sizemb=1
collate-codeset="ISO-8859-1"

và đầu ra của LC_COLLATE=en_US.utf8 locale -k LC_COLLATElà

collate-nrules=4
collate-rulesets=""
collate-symb-hash-sizemb=2039
collate-codeset="UTF-8"

Nếu bạn đang sử dụng bất cứ thứ gì khác ngoài Cmiền địa phương, bạn không nên sử dụng các phạm vi như [a-z]vì chúng phụ thuộc vào miền địa phương và không luôn đưa ra kết quả mà bạn mong đợi. Cũng như vấn đề trường hợp bạn đã gặp phải, một số địa phương đối xử với các ký tự có dấu phụ (ví dụ á ) giống như ký tự cơ sở (ví dụ a ).

Thay vào đó, sử dụng một lớp nhân vật được đặt tên:

echo B | grep '[[:lower:]]'

Điều này sẽ luôn đưa ra kết quả chính xác cho miền địa phương. Tuy nhiên, bạn cần chọn ngôn ngữ để phản ánh ý nghĩa của cả văn bản đầu vào của bạn và bài kiểm tra bạn đang cố gắng áp dụng.

Ví dụ: nếu bạn cần tìm một giá trị byte cụ thể, hãy sử dụng Cngôn ngữ luôn có sẵn:

echo B | LANG=C grep '[a-z]'

Nếu điều này không hoạt động như mong đợi, nó thực sự là một lỗi.

Phạm vi trong biểu thức chính quy nên quan sát cài đặt đối chiếu. Dưới đây là tiêu chuẩn có liên quan: http://pub.opengroup.org/onlinepub/007908799/xbd/re.html (tìm "biểu thức phạm vi"). Vì vậy, echo B | LC_COLLATE=en_US grep '[a-z]'đầu ra nên Bđưa ra một định nghĩa hợp lý của miền địa phương tương ứng. Tôi không thể giải thích lý do tại sao điều này đôi khi không hiệu quả với bạn, nhưng tôi sẽ rất ngạc nhiên nếu tôi gặp phải điều này trên một hệ thống không cổ xưa được cài đặt và cấu hình đúng.