strcmp() 和 strcoll() 有什么区别？

Question

我尝试理解它们，但除了strcoll() this 参考资料说它之外，我没有发现任何区别

根据 LC_COLLATE 类别定义的当前语言环境比较两个以空字符结尾的字符串。

第二个想法，我知道我在问另一个问题以获得详细答案，对于 C 和 C++，这个语言环境到底是什么？

Answer 1

strcmp() 一个接一个地获取字符串的字节，然后将它们与字节进行比较。

strcoll() 获取字节，使用语言环境对其进行转换，然后比较结果。转换根据语言重新排序。在法语中，重音字母在非重音字母之后。所以 é 在 e 之后。但是，é 在 f 之前。 strcoll() 做对了。 strcmp() 不太好。

但是，在许多情况下，strcmp() 就足够了，因为您不需要显示以使用的语言（区域设置）排序的结果。例如，如果您只需要快速访问由字符串索引的大量数据，您将使用由该字符串索引的地图。使用strcoll() 对它们进行排序可能完全没用，这通常很慢（至少与strcmp() 相比。）

有关字符的详细信息，您可能还想查看Unicode 网站。

关于语言环境，它是语言。默认情况下，它设置为“C”（或多或少，没有语言环境）。选择位置后，将相应地设置区域设置。您还可以设置 LC_LOCALE 环境变量。实际上有很多这样的变数。但一般来说，您使用预定义的函数会自动考虑这些变量并为您做正确的事情。 （即格式化日期/时间、格式化数字/度量、计算大写/小写等）

Answer 2

由于某种原因，在我测试的所有 unicode 语言环境中，在几个不同版本的 glibc 上，strcoll() 对任何两个平假名都返回零。这会破坏 sort、uniq 以及以某种方式与字符串顺序交互的所有内容。

$ echo -e -n 'い\nろ\nは\nに\nほ\nへ\nと\n' |排序 |独特的

我

这简直是坏了，无法修复。世界上不同地方的人可能对“い”应该放在“ろ”之前还是之后有不同的想法，但没有理智的人会认为它们是一样的。

不，将语言环境设置为日语并不重要：

$ LC_ALL=ja_JP.utf8 LANG=ja_JP.utf8 LC_COLLATE=ja_JP.utf8 echo -e -n 'い\nろ\nは\nに\nほ\nへ\nと\n' |排序 |独特的

我

在一些官方邮件列表中有讨论，但你猜怎么着，那是在 2002 年，因为人们不在乎，所以从未修复：https://www.mail-archive.com/linux-utf8@nl.linux.org/msg02658.html

这个错误在某一天发生在我们身上，最后我们唯一的出路是将整理语言环境设置为“C”并依赖于 utf-8 编码的良好属性。这是一种可怕的体验，因为在处理全日文数据时，不应该真正在“C”语言环境下工作。

所以为了您的理智，不要直接使用 strcoll。更安全的变体可能是：

int safe_strcoll(const char *a, const char *b)
{
  int ret = strcoll(a, b);
  if (ret != 0) return ret;
  return strcmp(a, b);
}

以防万一 strcoll() 决定搞砸你......

编辑：出于好奇，我只是重复了实验，而我当前的系统（使用 glibc 2.29）现在可以正常工作了。语言环境也无关紧要。