linux - 为什么 sed 会因国际字符而失败以及如何修复？

Question

GNU sed 版本 4.1.5 似乎无法使用国际字符。这是我的输入文件:

Gras Och Stenar Trad - From Moja to Minneapolis DVD [G2007DVD] 7812 | X
<br>
Gras Och Stenar Trad - From Möja to Minneapolis DVD [G2007DVD] 7812 | Y

(注意第二行的元音变音。)

当我这样做的时候

sed 's/.*| //' < in

我希望只看到 X 和 Y，因为我要求删除 '|' 之前的所有字符和超越它的空间。相反，我得到:

X<br>
Gras Och Stenar Trad - From M? Y

我知道我可以使用 tr 删除国际字符。首先，有没有办法只使用 sed？

Answer 1

我认为如果文件的输入编码与您环境的首选编码不同，则会发生错误。

示例:in 为 UTF-8

$ LANG=de_DE.UTF-8 sed 's/.*| //' < in
X
Y
$ LANG=de_DE.iso88591 sed 's/.*| //' < in
X 
Y

UTF-8 可以安全地解释为 ISO-8859-1，你会得到奇怪的字符，但除此之外一切都很好。

示例:in 是 ISO-8859-1

$ LANG=de_DE.UTF-8 sed 's/.*| //' < in
X
Gras Och Stenar Trad - From MöY
$ LANG=de_DE.iso88591 sed 's/.*| //' < in
X 
Y

ISO-8859-1 无法解释为 UTF-8，解码输入文件失败。奇怪的匹配可能是由于 sed 试图恢复而不是完全失败。

答案基于 Debian Lenny/Sid 和 sed 4.1.5。