Início / unix / Perguntas / 487458
Accepted
user10777668
Asked: 2018-12-12 14:43:59 +0800 CST

Classificar não classificando linhas com um pipe '|' nele corretamente

  • 772

Estou tentando classificar alguns dados delimitados por pipe simples. No entanto, classificar não é realmente classificar. Ele move minha linha de cabeçalho para a parte inferior, mas minhas duas linhas começando com 241 estão sendo divididas por uma linha começando com 24.

cat sort_fail.csv
column_a|column_b|column_c
241|212|20810378
24|121|2810172
241|213|20810376

sort sort_fail.csv
241|212|20810378
24|121|2810172
241|213|20810376
column_a|column_b|column_c

Os cabeçalhos das colunas estão sendo movidos para a parte inferior do arquivo, portanto, sort está claramente processando-o. Mas, os valores reais não estão sendo classificados como eu esperava.

Neste caso eu trabalhei em torno disso com

sort sort_fail.csv --field-separator='|' -k1,1

Mas, eu sinto que isso não deveria ser necessário. Por que a classificação não está classificando?

sort

3 respostas

  1. Best Answer

    sortestá ciente da localidade, portanto, dependendo de sua configuração LC_COLLATE (que é herdada de LANG), você pode obter resultados diferentes:

    $ LANG=C sort sort_fail.csv 
241|212|20810378
241|213|20810376
24|121|2810172
column_a|column_b|column_c

$ LANG=en_US sort sort_fail.csv
241|212|20810378
24|121|2810172
241|213|20810376
column_a|column_b|column_c

    Isso pode causar problemas em scripts, porque você pode não estar ciente de qual localidade de chamada está definida e, portanto, pode obter resultados diferentes.

    Não é incomum que os scripts forcem a configuração necessária

    por exemplo

    $ grep 'LC.*sort' /bin/precat
      LC_COLLATE=C sort -u | prezip-bin -z "$cmd: $2"

    Agora, o que é interessante, aqui, é que o |personagem parece estranho.

    Mas isso ocorre porque a regra padrão para en_US, que deriva de ISO, diz

    $ grep 007C /usr/share/i18n/locales/iso14651_t1_common
<U007C> IGNORE;IGNORE;IGNORE;<j> # 142 |

    O que significa que o |caractere é ignorado e a ordem de classificação seria como se o caractere não existisse.

    $ tr -d '|' < sort_fail.csv | LANG=C sort
24121220810378
241212810172
24121320810376
column_acolumn_bcolumn_c

    E isso corresponde à classificação "inesperada" que você está vendo.

    As soluções alternativas são usar -n(para forçar classificações numéricas) ou usar o separador de campo (como você fez) ou usar a Clocalidade.

    • 32

  2. O que me irrita é que o 24não se move de seu lugar entre os dois 241. O segundo campo começa com um 1. Tentando a classificação com uma entrelinha 4no segundo campo, o 24é movido para baixo, então suspeito que sortapenas ignora o a |menos que seja dito o contrário. Experimente sort -n...

    • 1

  3. -n, --numeric-sort compara de acordo com o valor numérico da string

    210
23

    Sem o -n, 210 por texto está à frente de 23, pois vai personagem meu personagem.

    • 1

relate perguntas