Bash字符串字典比较不一致

Question

Bash manual section 6.4 将 [[ string1

如果 string1 在当前语言环境中按字典顺序排在 string2 之后，则为真。

我使用的是普通的英语 Linux，并希望我当前的语言环境是 ASCII，其中句点 [.] 按字典顺序小于 [0-9A-Za-z]。但是，看看这些：

$ echo $BASH_VERSION
4.3.11(1)-release
$ [[ "." < "1" ]] && echo "yes"
yes
$ [[ "A" < "B" ]] && echo "yes"
yes
$ [[ ".A" < "1B" ]] && echo "yes"
$

第 1 和第 2 比较与 ASCII 表一致，但为什么第 3 次是错误的？这个字典顺序到底是什么？

这是语言环境的输出：

$ locale
LANG=en_US.UTF-8
LANGUAGE=
LC_CTYPE="en_US.UTF-8"
LC_NUMERIC="en_US.UTF-8"
LC_TIME="en_US.UTF-8"
LC_COLLATE="en_US.UTF-8"
LC_MONETARY="en_US.UTF-8"
LC_MESSAGES="en_US.UTF-8"
LC_PAPER="en_US.UTF-8"
LC_NAME="en_US.UTF-8"
LC_ADDRESS="en_US.UTF-8"
LC_TELEPHONE="en_US.UTF-8"
LC_MEASUREMENT="en_US.UTF-8"
LC_IDENTIFICATION="en_US.UTF-8"
LC_ALL=

Answer 1

这与你的 shell 没有太大关系。要对.A 和1B 执行与语言环境相关的字典比较，bash 只需调用strcoll(".A", "1B")，并解释返回值即可。

    {
#if defined (HAVE_STRCOLL)
      if (shell_compatibility_level > 40 && flags & TEST_LOCALE)
    return ((op[0] == '>') ? (strcoll (arg1, arg2) > 0) : (strcoll (arg1, arg2) < 0));
      else
#endif
    return ((op[0] == '>') ? (strcmp (arg1, arg2) > 0) : (strcmp (arg1, arg2) < 0));
    }

^{（复制自test.c）}

上面的摘录还显示，为了在不改变语言环境设置的情况下强制使用byte-by-byte comparison，需要将 shell 兼容级别更改为 40（代表 4.0，最后一个版本的 bash默认情况下的行为方式符合您的预期）。

$ shopt -s compat40
$ [[ .A < 1B ]] && echo yes
yes
$ 

现在，至于你的问题（第一个和第二个比较与 ASCII 表一致，但为什么第三个是错误的？这个字典排序顺序到底是什么？），嗯，这是你的语言环境排序顺序显然。在What Collation is NOT 下，UCA 规范说：

一般来说，在串联或子字符串操作下不保留排序规则。

例如，x 小于 y 并不意味着 x + z 小于 y + z，因为字符可能会形成跨子字符串或连接边界的收缩。总结：

x 并不暗示 xz
x 并不暗示 zx
xz 并不暗示 x
zx 并不暗示 x

我认为，这证实了这不是一个错误，而是一个特性。

Answer 2

UTF-8 排序规则不会像传统的 ASCIIbetical 排序规则那样逐个字符地进行排序。它使用multi-level comparison，其中某些类型的差异优先于其他类型即使它们出现在字符串的后面。在这种情况下，您看到的结果是“基本字符”顺序（“A”

为了解决语言敏感排序的复杂性，采用了多级比较算法。在比较两个单词时，最重要的特征是基本字母的同一性——例如，A 和 B 之间的差异。如果基本字母不同，通常会忽略重音差异。如果基本字母或其重音不同，则通常会忽略大小写差异（大写与小写）。标点符号的处理因人而异。在某些情况下，标点符号被视为基本字母。在其他情况下，如果有任何基数、重音或大小写差异，则应忽略它。 [...]

这是一个显示标点符号与“基本字符”优先级的示例：

$ printf '%s\n' {,.,-}{,1,A,AB,B,BA} | LANG=en_US.UTF-8 sort
-
.
-1
.1
1
-A
.A
A
-AB
.AB
AB
-B
.B
B
-BA
.BA
BA

请注意，标点符号仅对打破包含相同基本字符的行之间的联系很重要。您还可以看到涉及大写和重音的类似效果：

printf '%s\n' {a,A,B}{A,Å,B} | LANG=en_US.UTF-8 sort
aA
AA
aÅ
AÅ
aB
AB
BA
BÅ
BB

请注意，第二个字符的重音优先级高于第一个字符的大写（字符串中任何位置的标点符号的优先级都低于任何一个）。

（当然，除此之外还有很多其他复杂情况。）