(Dovrebbe) LC_COLLATE influisce sugli intervalli di caratteri?

L' ordine di confronto attraverso LC_COLLATEdefinisce non solo l'ordinamento dei singoli caratteri, ma anche il significato delle gamme di caratteri. O lo fa? Considera il seguente frammento:

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

Intuitivamente, Bnon è presente [a-z], quindi questo non dovrebbe produrre nulla. Questo è ciò che accade su Ubuntu 8.04 o 10.04. Ma su alcune macchine che eseguono Debian Lenny o squeeze, Bsi trova, perché la gamma a-zinclude tutto ciò che è tra le ae znell'ordine collazione, incluse le lettere maiuscole Battraverso Z.

Tutti i sistemi testati hanno la en_USlocalizzazione generata. Ho anche provato a variare le impostazioni locali: sulle macchine in cui Bè presente la corrispondenza sopra, lo stesso accade in tutte le {en_{AU,CA,GB,IE,US},fr_FR,it_IT,es_ES,de_DE}{iso8859-1,iso8859-15,utf-8}impostazioni locali disponibili (principalmente in latino:, anche in cinese) eccetto il giapponese (in qualsiasi codifica disponibile) e C/ POSIX.

Cosa significano le gamme di caratteri nelle espressioni regolari , quando vai oltre ASCII? Perché c'è una differenza tra alcune installazioni Debian da un lato e altre installazioni Debian e Ubuntu dall'altro? Come si comportano gli altri sistemi? Chi ha ragione e chi dovrebbe avere un bug segnalato contro?

(Si noti che sto specificatamente chiedendo informazioni sul comportamento degli intervalli di caratteri, ad esempio [a-z]nelle en_USversioni locali, principalmente sui sistemi basati su libc GNU. Non sto chiedendo come abbinare le lettere minuscole o le lettere minuscole ASCII.)

Su due macchine Debian, una in cui si Btrova [a-z]e una in cui non lo è, l'output di LC_COLLATE=en_US locale -k LC_COLLATEè

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

e l'output di LC_COLLATE=en_US.utf8 locale -k LC_COLLATEè

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

Se stai usando qualcosa di diverso dalla Clocale, non dovresti usare intervalli come [a-z]questi poiché dipendono dalla locale e non sempre danno i risultati che ti aspetteresti. Oltre al problema del caso che hai già riscontrato, alcune versioni locali trattano i personaggi con segni diacritici (ad es. Á ) allo stesso modo del carattere di base (ovvero a ).

Invece, usa una classe di caratteri con nome:

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

Ciò fornirà sempre il risultato corretto per la locale. Tuttavia, è necessario scegliere le impostazioni internazionali per riflettere il significato sia del testo di input sia del test che si sta tentando di applicare.

Ad esempio, se è necessario trovare un determinato valore byte, utilizzare la Clocale, che è sempre disponibile:

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

Se questo non funziona come previsto, è davvero un bug.

Gli intervalli nelle espressioni regolari devono osservare l'impostazione delle regole di confronto. Ecco lo standard pertinente: http://pubs.opengroup.org/onlinepubs/007908799/xbd/re.html (cercare "espressioni di intervallo"). Quindi echo B | LC_COLLATE=en_US grep '[a-z]'dovrebbe essere Bdata una definizione ragionevole delle rispettive impostazioni locali. Non posso spiegare perché a volte questo non funzioni per te, ma sarei molto sorpreso se lo incontrassi su un sistema non antico che è installato e configurato correttamente.