O comando GNU sort não está classificando palavras de comprimentos diferentes com prefixos comuns corretamente para mim, mas apenas ao usar um delimitador de campo para classificar um dos vários campos.
Aqui está o comportamento de classificação correto e esperado sem usar delimitadores de campo:
$ cat /tmp/test0
b
c
ant
a
bcd
bc
cn
$ sort /tmp/test0
a
ant
b
bc
bcd
c
cn
Observe que, para todas as palavras com um prefixo de string comum, a palavra mais curta é classificada antes da palavra mais longa. Por exemplo, aé antes ant, bé antes , bcé antes bcd, etc. Esta é a maneira padrão e aceita de classificação de strings em inglês, por exemplo, em um dicionário.
No entanto, esse comportamento de classificação muda quando você tenta classificar dados tabulares (como um arquivo CSV) e classificar em uma das colunas. Aqui está o que parece:
$ cat /tmp/test1
b,foo
c,bar
ant,baz
a,foo
bcd,ty
bc,pe
cn,cn
$ sort /tmp/test1 -t, -k1
a,foo
ant,baz
bcd,ty
bc,pe
b,foo
c,bar
cn,cn
Observe que as palavras com um prefixo comum ae cainda estão sendo tratadas corretamente, mas strings com um prefixo comum bnão; bcdclassifica antes bcclassifica antes b, tudo isso está incorreto! Este comportamento é estável; você sempre obtém o mesmo resultado. Estou enfrentando exatamente o mesmo problema em um arquivo CSV muito maior e os erros de classificação são deterministicamente aleatórios, se isso faz sentido.
Eu tentei vários sinalizadores sorte nenhum funcionou para corrigir esse comportamento. -de -snão funciona. Isso está no GNU coreutils 9.4, pelo que vale a pena.
Então, isso é apenas um bug do sortcomando? De alguma forma, estou usando-o incorretamente? Há algo melhor que eu possa fazer para classificar o CVS por palavras na primeira coluna?