为什么排序说ɛ= e？

ɛ（“拉丁字母epsilon”）是某些非洲语言中使用的字母，通常代表英语“ bed”中的元音。在Unicode中，它的编码为U + 025B，与日常的非常不同e。

但是，如果我sort以下内容：

eb
ed
ɛa
ɛc

似乎sort考虑ɛ和e等效：

ɛa
eb
ɛc
ed

这里发生了什么？而且是有办法让ɛ和e独特的sort荷兰国际集团的目的呢？

不，它不认为它们是等效的，它们具有相同的主要权重。这样一来，它们近似排序。

如果您在GNU系统（此处带有glibc 2.27）上查看/ usr / share / i18n / locales / iso14651_t1_common（用作大多数语言环境的基础），则会看到：

<U0065> <e>;<BAS>;<MIN>;IGNORE # 259 e
<U025B> <e>;<PCL>;<MIN>;IGNORE # 287 ɛ
<U0045> <e>;<BAS>;<CAP>;IGNORE # 577 E

e，ɛ并且E具有相同的主要权重e和E相同的次级权重，只有第三权重可以区分它们。

比较字符串时sort（strcoll()标准libc函数用于比较字符串）从比较所有字符的主要权重开始，并且仅在字符串与主要权重相等（以此类推）与其他权重相等时才选择第二个权重。

在这种情况下，按近似排序的顺序似乎忽略了大小写。Ab之间的种种aa和ac，但Ab可以排序之前或之后ab根据语言规则（有些语言有<MIN>前<CAP>像在英国英语中，一些<CAP>以前<MIN>喜欢在爱沙尼亚语）。

如果e排序顺序与相同ɛ，则printf '%s\n' e ɛ | sort -u仅返回一行。但是像<BAS>以前那样<PCL>，e独自以前那样 ɛ。eɛe排在后面EEE（以次要权重），即使排EEE在后面eee（我们需要升至第三个权重）。

现在，如果在使用glibc 2.27的系统上，则运行：

sed -n 's/\(.*;[^[:blank:]]*\).*/\1/p' /usr/share/i18n/locales/iso14651_t1_common |
  sort -k2 | uniq -Df1

您会注意到，已经定义了很多字符，它们具有完全相同的4个权重。特别是，我们的ɛ具有与以下相同的权重：

<U01DD> <e>;<PCL>;<MIN>;IGNORE
<U0259> <e>;<PCL>;<MIN>;IGNORE
<U025B> <e>;<PCL>;<MIN>;IGNORE

当然可以：

$ printf '%s\n' $'\u01DD' $'\u0259' $'\u025B' | sort -u
ǝ
$ expr ɛ = ǝ
1

可以将其视为GNU libc语言环境的错误。在大多数其他系统上，语言环境确保所有不同的字符最后都具有不同的排序顺序。在GNU语言环境中，它会变得更糟，因为有成千上万没有排序顺序，并最终排序相同的字符，造成各种问题（如破comm，join，ls或具有不确定性令水珠... ），因此建议您使用LC_ALL=C这些问题。

正如@ninjalj在评论中指出的那样，2018年8月发布的glibc 2.28通过AFAICS在这方面进行了一些改进，仍然有一些字符或排序元素定义了相同的排序顺序。在具有glibc 2.28的Ubuntu 18.10和en_GB.UTF-8语言环境中。

$ expr $'L\ub7' = $'L\u387'
1

（为什么仅将U + 00B7与L/ ？！组合才视为与U + 0387等价l）。

和：

$ perl -lC -e 'for($i=0; $i<0x110000; $i++) {$i = 0xe000 if $i == 0xd800; print chr($i)}' | sort > all-chars-sorted
$ uniq -d all-chars-sorted | wc -l
4
$ uniq -D all-chars-sorted | wc -l
1061355

（仍然超过100万个字符（Unicode范围的95％，低于2.27中的98％），与其他字符的排序方式相同（未定义其排序顺序）。

也可以看看：

• “ LC_ALL = C”是做什么的？
• 生成字符串的整理顺序
• “ sort -u”和“ sort | uniq”有什么区别？

男子排序：

   ***  WARNING  ***  The locale specified by the environment affects sort
   order.  Set LC_ALL=C to get the traditional sort order that uses native
   byte values.

因此，请尝试： LC_ALL=C sort file.txt

字符ɛ不等于e，但是某些语言环境在整理时可以将这些符号聚集在一起。其原因是特定于语言的，但也有一定的历史甚至政治背景。例如，大多数人可能期望€uro货币在字典中接近欧洲。

无论如何，要查看您当前正在使用哪种排序规则locale，locale -a它将为您提供系统上可用的语言环境列表，并将排序规则更改为C仅用于一次排序运行LC_COLLATE=C sort file。最后看看不同的语言环境如何对文件进行排序

for loc in $(locale -a)
    do echo ____"${loc}"____
    LC_COLLATE="$loc" sort file
done

将结果通过管道传递到某些grepp工具，以选择适合您需要的语言环境。