Início / unix / Perguntas / 775530
Accepted
True Soft
Asked: 2024-04-30 16:07:46 +0800 CST

Classifique um arquivo por linhas, independentemente do seu conteúdo

  • 772

Eu tenho um arquivo muito grande que desejo classificar em ordem alfabética. É um arquivo separado por tabulações, mas eu realmente preciso ter certeza de que o arquivo está classificado começando pelo primeiro caractere da linha, independentemente de ser espaço ou qualquer outra coisa.

Exemplo do arquivo de entrada:

2090802 V19 I must be the third in the group 
20908 02    V18 I must be the first in file, as col 1 is another value
2090802 V17 I must be the second in the group 
2090802 V16 I must be the first in the group of 2090802

Com o comando sort test.txt > test-s.txtobtenho esta saída:

2090802 V16 I must be the first in the group of 2090802
2090802 V17 I must be the second in the group 
20908 02    V18 I must be the first in file, as col 1 is another value
2090802 V19 I must be the third in the group

Parece que o programa de classificação vê a primeira coluna com o mesmo valor (ignorando o espaço na linha 3) e classifica o arquivo usando a próxima (V16, V17, V18 e V19).

Porém, quero que o valor 20908 02seja considerado distinto e meu resultado esperado deve ser este:

20908 02    V18 I must be the first in file, as col 1 is another value
2090802 V16 I must be the first in the group of 2090802
2090802 V17 I must be the second in the group 
2090802 V19 I must be the third in the group

Tentei com o -bargumento, e também -tdar outro separador, mas ainda não obtive o resultado desejado.

Como posso classificar o arquivo considerando cada caractere da linha, sem ignorar os espaços em branco?

sort

2 respostas

  1. Best Answer

    A ordem de classificação depende da localidade. Na maioria das localidades, o espaçamento é ignorado na primeira aproximação (veja como o espaço (U+0020) e TAB (U+0009) têm IGNOREos 3 primeiros pesos em ISO14651 ).

    Se você deseja uma ordem de classificação em que cada caractere (na verdade byte) conte e a ordem seja baseada no valor do byte (para texto codificado em UTF-8, que coincide com a classificação baseada no valor do ponto de código Unicode), use o Ctambém conhecido como POSIXlocalidade:

    LC_ALL=C sort your-file

    A configuração LC_ALLafeta todas as categorias de localização. A ordem de classificação é afetada pela LC_COLLATEcategoria, mas aqui, a configuração LC_CTYPE(que afeta como os caracteres e as sequências de bytes são codificados/decodificados de/para) é Cprovavelmente uma boa ideia, pois garante que qualquer sequência de bytes possa ser decodificada em caracteres e classificada (por byte valor). LC_COLLATE=C sort your-filetambém não funcionaria se LC_ALLtambém fosse definido de outra forma.

    • 13

  2. Embora o uso LC_ALL=Cprovavelmente seja mais rápido e eficiente, outra opção é usar -kpara ordenar sortapenas no primeiro campo e nada mais*:

    $ sort -k1,1 file
20908 02    V18 I must be the first in file, as col 1 is another value
2090802 V16 I must be the first in the group of 2090802
2090802 V17 I must be the second in the group 
2090802 V19 I must be the third in the group

    * Na verdade, sort(ou, pelo menos, GNU sort) ainda procurará no resto da linha sua classificação de "último recurso" quando encontrar dois campos de classificação idênticos. Isso é explicado em info sortum sistema GNU:

    Finalmente, como último recurso, quando todas as chaves são iguais, 'sort' compara linhas inteiras como se nenhuma opção de ordenação diferente de '--reverse' ('-r') tivesse sido especificada. A opção '--stable' ('-s') desativa esta “comparação de último recurso” para que as linhas nas quais todos os campos sejam comparados iguais sejam deixadas em sua ordem relativa original. A opção '--unique' ('-u') também desativa a comparação de último recurso.

    É essa classificação de último recurso que faz com que a linha V16 apareça antes da linha V17 na saída, apesar de estar na ordem inversa na entrada.

    • 7

relate perguntas