en_US.UTF-8 语言环境中的意外排序顺序

Question

在尝试回答这个关于 SQL 排序的问题时，我注意到一个sort我没想到的顺序：

$ export LC_ALL=en_US.UTF-8  
$ echo "T-700A Grouped" > sort.txt
$ echo "T-700 AGrouped" >> sort.txt
$ echo "T-700A Halved" >> sort.txt
$ echo "T-700 Whole" >> sort.txt
$ cat sort.txt | sort
T-700 AGrouped
T-700A Grouped
T-700A Halved
T-700 Whole
$ 

为什么700 A排序在上面700A，而700A在上面700 W？我希望之前有一个空格A，独立于它后面的字符。

如果您使用 C 语言环境，它可以正常工作：

$ export LC_ALL=C
$ echo "T-700A Grouped" > sort.txt
$ echo "T-700 AGrouped" >> sort.txt
$ echo "T-700A Halved" >> sort.txt
$ echo "T-700 Whole" >> sort.txt
$ cat sort.txt | sort
T-700 AGrouped
T-700 Whole
T-700A Grouped
T-700A Halved
$ 

Answer 1

排序是通过多次完成的。每个角色都有三个（或有时更多）分配给它的权重。让我们说这个例子的权重是

         wt#1 wt#2 wt#3
space = [0000.0020.0002]
A     = [1BC2.0020.0008]

为了创建排序键，字符串字符的非零权重被连接起来，一次一个权重级别。也就是说，如果权重为零，则不会添加相应的权重（如 开头所示" A"）。所以

       wt#1   -- wt#2 ---   -- wt#3 ---
" A" = 1BC2   0020   0020   0002   0008
       A      sp     A      sp     A

       wt#1   wt#2   wt#3
"A"  = 1BC2   0020   0008
       A      A      A

       wt#1   -- wt#2 ---   -- wt#3 ---
"A " = 1BC2   0020   0020   0008   0002
       A      A      sp     A      sp

如果您对这些数组进行排序，则会得到您看到的顺序：

       1BC2   0020   0008               => "A"
       1BC2   0020   0020   0002   0008 => " A"
       1BC2   0020   0020   0008   0002 => "A "

这是对实际情况的简化；有关更多详细信息，请参阅Unicode 整理算法。上面的示例权重实际上来自标准表，省略了一些细节。