Dotaz: České třídění v perlu

[Tomáš]

Nevím jak donutit perl, aby třídil správně česky, jakmile přepnu LC_COLLATE zařadí se řetězce s mezerou chybně na konec:

use POSIX qw /locale_h/;
use locale;

@a = ('A š', 'A v', 'Aaa');

setlocale LC_COLLATE, "C";
print "$_\n" foreach sort @a;

print "\n";
setlocale LC_COLLATE, "cs_CZ.UTF-8";
print "$_\n" foreach sort @a;

A v
A š
Aaa

Aaa
A š
A v

Odpovědi

[myšák]

No jestli on nebude problém spíš v tom, že sort v Perlu spoléhá na to, co mu "vrátí systémový sort". Viz následující:

mike@tinky:~$ locale
LANG=cs_CZ.UTF-8
LANGUAGE=
LC_CTYPE="cs_CZ.UTF-8"
LC_NUMERIC="cs_CZ.UTF-8"
LC_TIME="cs_CZ.UTF-8"
LC_COLLATE="cs_CZ.UTF-8"
LC_MONETARY="cs_CZ.UTF-8"
LC_MESSAGES="cs_CZ.UTF-8"
LC_PAPER="cs_CZ.UTF-8"
LC_NAME="cs_CZ.UTF-8"
LC_ADDRESS="cs_CZ.UTF-8"
LC_TELEPHONE="cs_CZ.UTF-8"
LC_MEASUREMENT="cs_CZ.UTF-8"
LC_IDENTIFICATION="cs_CZ.UTF-8"
LC_ALL=
mike@tinky:~$ cat ./foo 
A š
A v
Aaa
mike@tinky:~$ sort ./foo 
Aaa
A š
A v

Možná bych popřemýšlel o použití Cz::Sort

[tom]

Ono to je nejspis podle normy dobre, protoze ta pred abecedu radi jen tvrdou mezeru.

[myšák]

Jak je to přesně podle normy netuším Na to by musel odpovědět nějaký znalec, za kterého se rozhodně nepovažuji...

[tom]

Ve vycucu z ČSN 97 6030 se pise

Spojovník a nepřerušující mezera před abecedou.

vizte http://racek.vlada.cz/usneseni/usneseni_webtest.nsf/WebGovRes/0AD8FEF4CC04B7A4C12571B6006D69D0?OpenDocument

[myšák]

Díky za odkaz - člověk se pořád učí. Nicméně bych si v tomto případě dovolil postesknout nad jistou nelogičností, kterou v tomto pravidle vidím. Ačkoliv chápu, že v češtině máme podobných úchvatných „mozkolamů“ přehršel, tak konkrétně v tomto případě je to opravdu na mašli. Pokud odhlédneme od typografie, kde rozdíl mezi spojovníkem, nezalomitelnou mezerou a obyčejnou mezerou dává smysl, tak při řazení slov smysl poněkud postrádám. Ale jak jsem psal v předchozím příspěvku, necítím se být odborníkem na všechny kličky mého rodného jazyka a jsem rád, že intuitivně ovládám alespoň jeho základy.

[l4m4]

Tady ale nejde o řazení slov, slova mezery neobsahují žádné. Jde o řazení frází.

[Mirek]

A jak mas nastavenou LANG?

http://www.linuxsoft.cz/article.php?id_article=891

[myšák]

Proměnnou LANG může mít nastavenou jak chce, protože v tom skriptu si nastavuje dle potřeby LC_COLLATE na cs_CZ.utf8

[myšák]

Problém je v tom, že v definici locale je pro znak "mezera" (nejen) v cs_CZ.utf8 krpa, která znepříjemňuje život nejen v Perlu, ale tak nějak napříč systémem. Existuje pro to dokonce zdokumentovaná oprava:

1. V souboru /usr/share/i18n/locales/cs_CZ je třeba opravit řádek:
   <U0020> IGNORE;IGNORE;IGNORE;<U0020> na <U0020> <U0020>;IGNORE;<U0020>;<U0020>
   
2. Vypsat z archivu všechny české definice:

   $ localedef --list-archive | grep cs_CZ
   cs_CZ
   cs_CZ.utf8
   

   a smazat je:

   localedef --delete-from-archive cs_CZ
   localedef --delete-from-archive cs_CZ.utf8
   

3. Vytvořit novou binární podobu z opravené textové definice:

   localedef -i /usr/share/i18n/locales/cs_CZ -f UTF-8 /usr/lib/locale/cs_CZ
   localedef -i /usr/share/i18n/locales/cs_CZ -f UTF-8 /usr/lib/locale/cs_CZ.UTF-8
   

4. V adresáři s archivem přidat binárky do archivu:

   cd /usr/lib/locale/
   localedef --add-to-archive cs_CZ
   localedef --add-to-archive cs_CZ.UTF-8
   

5. Na konci pro jistotu zkontrolovat, že je vše OK:

   $ localedef --list-archive | grep cs_CZ
   cs_CZ
   cs_CZ.utf8
   

A voilá po opravě locale:

$ cat foo 
A v
Abc
A b
A š
A č
Aaa

$ sort foo 
A b
A č
A š
A v
Aaa
Abc

[Tomáš]

Díky moc

A musim říct, že v glibc jsem chybu opravdu nečekal, nemělo by se to někam bugreportovat? Nebo existuje nějaký důvod proč je to takhle?

[tom]

Nebo existuje nějaký důvod proč je to takhle?

http://www.abclinuxu.cz/poradna/programovani/show/367555#7