Dotaz: egrep a equivalence classes ([=, =])

[Michal Vyskočil]

V infostránce ke grepu jsem narazil na equivalence classes ([=, =]). Při hledání jsem našel příslušnou normu, manuálovou stránku pro Tru64 a patch pro GNU dokumentaci, která naznačuje, že GNU egrep by to měl umět také.

Jestli jsem to dobře pochopil, tak by to mělo definovat třídu všech znaků, které patří do stejné třídy, takže [=e=] by mohlo být pro češtinu ekvivalentem třeba [eéě]. Ovšem nedokážu rozchodit žádný příklad

$ cat class.txt
e
é
ê
ě
$ LC_ALL=C grep -E '[[=e=]]' class.txt
$ LC_ALL=en_US.UTF-8 grep -E '[[=e=]]' class.txt
e
$ LC_ALL=cs_CZ.UTF-8 grep -E '[[=e=]]' class.txt
e

Přičemž bych předpokládal, že pro češtinu bude [=e=] zahrnovat alespoň diakritiku. Nebo jsem jenom špatně pochopil dokumentaci? Požívám GNU grep verze 2.5.2.

Odpovědi

[David Watzke]

To cos napsal se (u mě, GNU grep 2.5.4-20071119) chová jako množina znaků, matchne tedy jen "e" a "=".

[David Watzke]

Vlastně ne tak docela, to jen když tam dám [=e=]. Je to divný.

[David Watzke]

Když spustíš tohle nebo to dáš do toho souboru vedle sebe, tak to jde...

grep -E -o --color '[[=e=]]' <<< "eéě"

Skoro mi to připadá jako bug...

[Franta Hanzlík]

Na Fedoře 8 (grep 2.5.1, glibc 2.7) to funguje asi správně - zkoušel jsem grep i egrep, a ruzné patvary písmen a,e,c,i. Hrál jsem si s tím v rámci výuky Linuxu už asi před 3 roky (to tedy mohla být tak Fedora 2) a fungovalo to také správně. Ale jak jsem se díval do zdrojového RPM grepu z Fedory 8, je to oplácané 15 patchi, některé se týkají internacionalizace a multibyte znaků. Ve Fedoře se používá jen proměnná LANG, ale v tom problém nebude, při jejím unset a nastavení LC_CTYPE a LC_COLLATE nebo LC_ALL to jede také v pohodě. Fedora 8 grep je překládán s "--without-included-regex" a linkován s "pcre" (Perl-compatible regular expression library) - to by také mohlo něco ovlivnit.

[Michal Vyskočil]

Podle dokumentace by měla být tato vlastnost určena pomocí LC_ALL, LC_COLLATE a LANG, ale ani s LANG mi Susí verze nefunguje. Ale rpmko z Fedory ano, takže některý z těch patchů tuto vlastnost zřejmě opravuje. Nahlásil jsem to jako bug.