linux - 排序命令中空格的处理。 LC_COLLATE=c 和 LC_COLLATE ="en_US.UTF-8"之间的区别

Question

我试图在 sort 命令的手册页中查找它，但找不到任何内容。因此考虑以下文本文件 t.txt:

 11
1 0

(t.txt的二进制表示>

$ xxd -p t.txt
2031310a3120300a

)

在此文件上使用 LC_COLLATE="en_US.UTF-8" 和 sort 得到:

$  LC_COLLATE="en_US.UTF-8" sort t.txt
1 0
 11

如果我们检查文件中的第二个字符位置(或列)，我们会发现第一个行有一个空格，第二行有一个1。由于空格的十六进制值 0x20 小于 1 的十六进制值(即 0x31)我假设那种排序会给出:

 11
1 0 

事实证明，可以使用LC_COLLATE=c

获得预期的排序顺序

$ LC_COLLATE=c sort t.txt
 11
1 0

在这种情况下，LC_COLLATE="en_US.UTF-8" 和 LC_COLLATE=c 之间存在差异的原因是什么？

另见:

• What does “LC_ALL=C” do?
• Why does ls sorting ignore non-alphanumeric characters?
• How do locales work in Linux / POSIX and what transformations are applied?
• Internationalization: Collate (Sort) Order, Character Set, Accents, GLOB patterns

编辑:

有关此问题的更多信息可在此处找到:

• In utf-8 collation, why 11- is less then 1-?
• UNICODE COLLATION ALGORITHM
• unix sort ignores whitespaces
• Is gnu coreutils sort broken?
• Why does 'sort' ignore special characters, like the asterisk?

Answer 1

在 en_US 语言环境中订购时忽略标点符号

注意排序可以使用 -b 选项显式跳过空格，但请注意这是使用技巧，所以我建议使用 sort --debug使用时的选项。