Dotaz: Problém při přebodu na velké znaky

[Martin]

Ahoj, proč to není takto? # ČERVENÁ BARVA NENÍ TO PRAVÉ OŘECHOVÉ.

VAR="Červená barva není to pravé ořechové."
VAR="${VAR^^}"
echo "$VAR" #Výsledek:  ČERVENá BARVA NENí TO PRAVé OřECHOVé.

Díky

---

---

Odpovědi

[NN]

Protoze diakritika ftw..

[Martin]

Co je to ftw? jde to opravit? Dík

[l4m4]

Opravit shell? To jistě lze, přeji příjemnou zábavu...

Opravit ten převod? Tak především nedělat to v shellu. Elementární věci (jako uvedený český příklad, který je triviální) zvládnou i různé funkce toupper ve skriptovacích jazycích, např. Pythonu.

[l4m4]

Protože to funguje jenom s ASCII.

Pokud hledáš převod, který zvládá specifika různých jazyků, tj. řeší třeba ß → SS a podobné vychytávky, tak nehledej v parameter expansion shellu. Na to je zapotřebí pořádná knihovna pro práci s Unicode.

[Šangala]

Možná si vystačíš s:

echo "Červená barva není to pravé ořechové." | tr 'a-zěščřžýáíéůúďťňóöëäĺôêâ' 'A-ZĚŠČŘŽÝÁÍÉŮÚĎŤŇÓÖËÄĹÔÊÂ'

[l4m4]

A pak mu tam jako na potvoru někdo napíše ‚déjà vu‘...

[Šangala]

Píšu možná :)
Ale není problém to doplnit, ale je to 1:1 v daném kódování…

echo "Červená barva není to pravé ořechové. ‚déjà vu, " | tr 'a-zěščřžýáíéůúďťňóöëäïẅŵĺôêâîûàèìòùçœűőÿŷ' 'A-ZĚŠČŘŽÝÁÍÉŮÚĎŤŇÓÖËÏẄŴÄĹÔÊÂÎÛÀÈÌÒÙÇŒŰŐŸŶ'

[Šangala]

Jo akdyby to někomu nešlo zkopírovat tak si odstraňte ŴẄ a ÎÏ tedy:

echo "Červená barva není to pravé ořechové. ‚déjà vu, " | tr 'a-zěščřžýáíéůúďťňóöëäïĺôêâîûàèìòùçœűő' 'A-ZĚŠČŘŽÝÁÍÉŮÚĎŤŇÓÖËÏÄĹÔÊÂÎÛÀÈÌÒÙÇŒŰŐ'

[l4m4]

Já bych fakt použil něco trochu normálního. Python není zrovna na one-linery, ale přesto...

echo 'Déjà vu, zďářící Eyjafjallajökulle!  Ну, погоди!' | python -c 'import sys; sys.stdout.write(sys.stdin.read().decode("utf-8").upper().encode("utf-8"))'

[Šangala]

No to se neshodneme co je normální :), pokud tedy to není aplikace pro iconv, tak za normálnější považuji spíš něco jako:

echo 'Déjà vu, zďářící Eyjafjallajökulle!  Ну, погоди!' | php -R 'echo mb_strtoupper($argn,"UTF-8");'

A nebude tam ani znak navíc…

[pavel]

echo 'Déjà vu, zďářící Eyjafjallajökulle!  Ну, погоди!' |sed -e 's/\(.*\)/\U\1/'

echo 'Déjà vu, z#á#ící Eyjafjallajökulle!  ##, ######!  ##, ######!' |awk '{ print toupper ($0) }'

[l4m4]

No vida, sed už to umí taky správně, to je příjemná zpráva.

[Kit]

AWK mě tím příjemně překvapilo, ale víc bych asi ocenil schopnost pracovat s CSV.

[rubicon]

gawk >4 má FPAT, s čímž se už dá lecjaké CSV zpracovat.

[Šangala]

No vida.

[deadmail]

lepsie je pouzit prednastavene mnoziny podla nastaveni LC_LOCALE, LC_CTYPE alebo LC_ALL (samozrejme musia byt nastavene podla jazyka textu)

echo "Červená barva není to pravé ořechové."| LC_ALL=cs_CZ tr '[:lower:]' '[:upper:]'

[Kit]

Bylo by fajn, kdyby to fungovalo. Možná jen záleží na verzi tr.

[Šangala]

Mě to nefunguje nikde a bylo to první co mě napadlo

[Kit]

To bude asi trest za to, že používáme Unicode

V PHP a sedu mi to jede OK. V Pythonu to vypadá trochu kostrbatě, ale jede to také. Příkaz tr asi ještě nebyl pro Unicode kompletně upraven.

[Šangala]

No ono v tom PHP to není taky hezké, když to má být „správně“, můj komentář výše měl takový dovětek a měla to být „anekdota odborná“, ale nechytla se, toto už je delší :(.

echo -e 'Déjà vu, zďářící Eyjafjallajökulle!  Ну, погоди!' |  php -r 'echo mb_strtoupper(stream_get_contents(fopen("php://stdin", "r")),"UTF-8");'

To výše uvedené nezpracuje dobře řádkování, bo -R + $argn funguje dle dokumentace, ale nemusí to být na první pohled jasné.
Viz:

echo -e 'Déjà vu,\nНу, погоди!' | php -R 'echo mb_strtoupper($argn,"UTF-8");

vs.

echo -e 'Déjà vu,\nНу, погоди!' | php -r 'echo mb_strtoupper(stream_get_contents(fopen("php://stdin", "r")),"UTF-8");'

Ale furt je to kulturnější než ta hadica .

[kuli]

Pokud mám gnome-terminal nastavený na iso8859-2 a locale na cs_CZ.ISO8859-2, tak to funguje bez chyby. Když to přepnu na utf-8 a cs_CZ.UTF-8, tak to nepřevede některá písmenka (FC14):ČERVENÁ BARVA NENÍ TO PRAVÉ OŘECHOVÉ. x ČERVENá BARVA NENí TO PRAVé OřECHOVé.

[l4m4]

Volala devadesátá léta, že chtějí 8859-2 zpátky...

[Kit]

Volal Unicode, že chce postrčit tr dopředu.

[l4m4]

tr s Unicode normálně funguje, příklady viz výše.

Pojmenované třídy jako [:lower:] a [:upper:] by byly k ničemu, protože by daly vzniknout dvěma neodpovídajícím si množinám znaků. Některé Unicode znaky nemají uppercase, některé nejspíš zase lowercase, tudíž převod mezi [:lower:] a [:upper:] by akorát tak rozesral text.

[l4m4]

Možná bych to měl rozvést, aby nepřišel argument, že správný převod mezi upper a lowercase si má tr zařídit sám.

Ze syntaxe použití tr toto není jeho funkce.

tr pracuje s dvěma konkrétními, uživatelem zadanými množinami znaků. Třídy jako [:lower:] a [:upper:] jsou pomůcka, která může při převodu správně fungovat pouze, pokud vygenerují dvě odpovídající si množiny.

Teď se tr snaží tvářit, že převod je něco jiného než třeba mazání s -d (při kterém by zjevně na rozdíl od převodu množina [:lower:] měla obsahovat všechna malá písmena, i když nemají odpovídající velké). To je IMO omyl, spíš by se měly povolit libovolné množiny, tj. např.

tr '[:lower:][:upper:][:digit:]' '[:digit:][:lower:][:upper:]'

by mezi sebou přeházelo číslice a [ASCII] písmena, což teď nesmyslně nelze.

[Kit]

Vyjmenovávat všechny možné znaky není řešení. Pokud některý znak nemá lowercase či uppercase, patří do obou sad nebo do žádné.

Uvedená řešení pomocí tr považuji za nevyhovující. Raději bych pro tento účel použil jiný nástroj, se kterým takové potíže nejsou. Sed vypadá jako skvělá volba. Také proto, že nemusím chtít konvertovat celý soubor, ale jen některé části.