如何使用 >> 双尖括号对行进行排序？

Question

似乎sort在诸如>>b

$ cat test
a
>>b
b
c
>
>>

$ sort test
>
>>
a
b
>>b
c

我希望该>>b行是第三行输出，sort但它是第五行。为什么这样做，有没有办法sort让我的预期输出？

我正在使用 GNU/Linux Ubuntu 16.04。

Answer 1

现代语言环境中的排序算法非常复杂。

每个字符（实际上是整理元素，它可以由几个字符的序列组成，例如 Czech ch）被赋予许多整理权重，这些权重决定了它们的排序顺序。

比较两个字符串时，首先使用所有字符的第一个权重，如果两个字符串与第一个权重排序相同，则稍后使用其他权重来决定平局。

例如，在许多语言环境中e，é和E具有相同的主要权重（它们属于相同的等价类，它们都匹配[=e=]）。

因此，当比较例如echo, étéand 时Enter，在第一遍中，e,é和E具有相同的主要权重，第二个字符将确定顺序（cbefore nbefore t）。

比较été, Été, 时Ete，在第一遍之后，它们的排序都相同，因此我们使用第二遍使用二级权重。在典型的 GNU 语言环境中，拉丁文字字符的第二个权重用于区分重音的优先级（首先没有重音，然后是尖音、重音、短音、抑扬音……）。然后我们需要使用第三个权重来决定été和Été，这将基于大小写（在大多数语言环境中首先是小写）。甚至有些字符最终排序相同，因为它们的所有权重都相同。

这用于以与字典类似的方式对文本进行排序，就像人类所做的那样。

在字典中，您会发现空格和大多数标点符号也被忽略。例如de facto在debut和之间排序devoid。空格字符的第一个权重是 IGNORE。

在 GNU 系统上，您会发现/usr/share/i18n/locales/iso14651_t1_common（路径可能随发行版而异）中定义的核心整理规则。在那里，你会看到：

ifdef UPPERCASE_FIRST
<CAP>
else
<MIN>
endif
[...]
ifdef UPPERCASE_FIRST
[...]
<MIN> # 10
[...]
else
[...]
<CAP> # 9
[...]
endif

[...]
order_start <SPECIAL>;forward;backward;forward;forward,position
<U0020> IGNORE;IGNORE;IGNORE;<U0020> # 32 <SP>
[...]
<U003E> IGNORE;IGNORE;IGNORE;<h> # 140 >
[...]
ifdef DIACRIT_FORWARD
order_start <LATIN>;forward;forward;forward;forward,position
else
order_start <LATIN>;forward;backward;forward;forward,position
endif
[...]
<U0065> <e>;<BAS>;<MIN>;IGNORE # 259 e
<U00E9> <e>;<ACA>;<MIN>;IGNORE # 260 é
[...]
<U0045> <e>;<BAS>;<CAP>;IGNORE # 577 E
<U00C9> <e>;<ACA>;<CAP>;IGNORE # 578 É

这说明了我们刚才所说的。space 和>的前 3 个权重都设置为IGNORE。它仅适用于对前 3 个权重进行排序的字符串，它们的相对顺序将被考虑（>在空格之前，因为它<h>会在未指定的整理符号之前列出<U0020>）。

在定义UPPERCASE_FIRST（如/usr/share/i18n/locales/tr_TR）的语言环境中，大写字母将首先出现（在^第三遍中）。与DIACRIT_FORWARD某些语言环境一样de_DE可以决定颠倒^第二遍的变音符号顺序。

>和 >>排序在1相同的^ST，2^次和3^次通过。在4^日，>排序前>>为空字符串排序之前的一切。

>>b排序之后，b因为它们在前 3 遍中排序相同，但在第四遍中，b是 IGNORE，所以>更大。它比c第一遍（>忽略和b之前c）要少......你明白了。

现在，如果您查看C语言环境定义。这要简单得多。只有一个权重，权重基于从 U+0000 到 U+10FFFF 的代码点值。所以SPC(U+0020) 在>(U+003E) 之前排序，在b(U+0062) 之前排序，在c(U+0063)之前排序。没有一个字符会被忽略。

请注意，至少对于 GNU libc，当涉及到比较函数（strcoll()和 co.，如 所用sort）时，将忽略在 C 语言环境定义文件中定义的顺序。不管 的值LC_CTYPE，与LC_COLLATE=C，strcoll()都等价于strcmp()。由于比较总是在字节值上，即使这些字节对应于其 unicode 代码点排序相反的字符（如 ISO-8859-15 字符集中的 0xA4 U+20AC EURO SIGN 与 A5 U+00A5 YEN SIGN） , so LC_ALL=C sortand LC_COLLATE=C sort（如果LC_ALL没有另外设置）将在那里产生相同的效果。