Por que a ordenação ls ignora caracteres não alfanuméricos?

Question

Ao classificar nomes de arquivos, ls ignora caracteres como -,_ . Eu esperava que ele usasse esses personagens na classificação também.

Um exemplo:

touch a1 a2 a-1 a-2 a_1 a_2 a.1 a.2 a,1 a,2

Agora exiba esses arquivos com ls -1 :

a1
a_1
a-1
a,1
a.1
a2
a_2
a-2
a,2
a.2

O que eu esperava era algo assim:

a1
a2
a,1
a,2
a.1
a.2
a_1
a_2
a-1
a-2

i.e. Eu esperava que os caracteres não-alfanuméricos fossem levados em conta na classificação.

Alguém pode explicar esse comportamento? Esse comportamento é determinado por um padrão? Ou isso é devido a codificação sendo UTF-8?

Atualização: parece que isso está relacionado à classificação UTF-8:

$ LC_COLLATE=C ls -1
a,1
a,2
a-1
a-2
a.1
a.2
a1
a2
a_1
a_2

    

Answer 1

Isso não tem nada a ver com o charset. Pelo contrário, é a linguagem que determina a ordem de intercalação. A libc examina a linguagem apresentada em $LC_COLLATE / $LC_ALL / $LANG e procura suas regras de agrupamento (por exemplo, /usr/share/i18n/locales/* para GLibC) e ordena o texto conforme instruído.

    

Answer 2

EDIT: Teste adicionado para dados classificados com LC_COLLATE = C

A sequência de intercalação padrão é tratar esses caracteres de "tipo de pontuação" como sendo de igual valor. Use LC_COLLATE=C para tratá-los na ordem de ponto de código.

for i in 'a1' 'a_1' 'a-1' 'a,1' 'a.1' 'a2' 'a_2' 'a-2' 'a,2' 'a.2' ;do
  echo $i; 
done |LC_COLLATE=C sort

Saída

a,1
a,2
a-1
a-2
a.1
a.2
a1
a2
a_1
a_2

O código a seguir testa todos os caracteres válidos UTF-8 no Basic Multilingual Plane (exceto \ x00 e \ x0a ; para simplificar )
Ele compara um arquivo em uma sequência crescente (gerada) conhecida, contra esse arquivo classificado aleatoriamente e depois classificado novamente com LC_COLLATE = C. O resultado mostra que a sequência C é idêntica à sequência gerada original.

{ i=0 j=0 k=0 l=0
  for i in {0..9} {A..F} ;do
  for j in {0..9} {A..F} ;do
  for k in {0..9} {A..F} ;do
  for l in {0..9} {A..F} ;do
     (( 16#$i$j$k$l == 16#0000 )) && { printf '.' >&2; continue; }
     (( 16#$i$j$k$l == 16#000A )) && { printf '.' >&2; continue; }
     (( 16#$i$j$k$l >= 16#D800    && 
        16#$i$j$k$l <= 16#DFFF )) && { printf '.' >&2; continue; }
     (( 16#$i$j$k$l >= 16#FFFE )) && { printf '.' >&2; continue; }
     echo 0x"$i$j$k$l" |recode UTF-16BE/x4..UTF-8 || { echo "ERROR at codepoint $i$j$k$l " >&2; continue; } 
     echo 
  done
  done
  done; echo -n "$i$j$k$l " >&2
  done; echo >&2
} >listGen

             sort -R listGen    > listRandom
LC_COLLATE=C sort    listRandom > listCsort 

diff <(cat listGen;   echo "last line of listOrig " ) \
     <(cat listCsort; echo "last line of listCsort" )
echo 
cmp listGen listCsort; echo 'cmp $?='$?

Saída:

63485c63485
< last line of listOrig 
---
> last line of listCsort

cmp $?=0