我正在使用(希望)UTF-8文本的巨大文件.我可以使用Ubuntu 13.10(3.11.0-14-generic)和12.04来重现它.
在调查一个错误时,我遇到了奇怪的行为
$export LC_ALL=en_US.UTF-8 $sort part-r-00000 | uniq -d ɥ ɨ ɞ ɧ 251 ɨ ɡ ɞ ɭ ɯ 291 ɢ ɫ ɬ ɜ 301 ɪ ɳ 475 ʈ ʂ 565 $export LC_ALL=C $sort part-r-00000 | uniq -d $# no duplicates found
当运行使用std :: stringstream读取文件的自定义C程序时,重复的操作也会出现 – 由于在使用en_US.UTF-8语言环境时重复的操作失败.
至少对于std :: string和input / output来说,C似乎不受影响.
为什么在使用UTF-8区域设置时找到重复项,而C语言环境中没有找到重复项？
导致此行为的文本的区域转换是什么？
编辑：Here是一个小例子
$uniq -D duplicates.small.nfc ɢ ɦ ɟ ɧ ɹ 224 ɬ ɨ ɜ ɪ ɟ 224 ɥ ɨ ɞ ɧ 251 ɯ ɭ ɱ ɪ 251 ɨ ɡ ɞ ɭ ɯ 291 ɬ ɨ ɢ ɦ ɟ 291 ɢ ɫ ɬ ɜ 301 ɧ ɤ ɭ ɪ 301 ɹ ɣ ɫ ɬ 301 ɪ ɳ 475 ͳ ͽ 475 ʈ ʂ 565 ˈ ϡ 565
输出问题出现时的区域设置：
$locale LANG=en_US.UTF-8 LC_CTYPE="en_US.UTF-8" LC_NUMERIC=de_DE.UTF-8 LC_TIME=de_DE.UTF-8 LC_COLLATE="en_US.UTF-8" LC_MONETARY=de_DE.UTF-8 LC_MESSAGES="en_US.UTF-8" LC_PAPER=de_DE.UTF-8 LC_NAME=de_DE.UTF-8 LC_ADDRESS=de_DE.UTF-8 LC_TELEPHONE=de_DE.UTF-8 LC_MEASUREMENT=de_DE.UTF-8 LC_IDENTIFICATION=de_DE.UTF-8 LC_ALL=
编辑：归一化后使用：
cat duplicates | uconv -f utf8 -t utf8 -x nfc > duplicates.nfc
我仍然得到相同的结果
编辑：该文件是有效的UTF-8根据iconv – (从here)
$iconv -f UTF-8 duplicates -o /dev/null $echo $? 0
编辑：看起来像这样的东西：http://xahlee.info/comp/unix_uniq_unicode_bug.html
和
https://lists.gnu.org/archive/html/bug-coreutils/2012-07/msg00072.html
它在FreeBSD上工作
解决方法
我已经将问题归结为strcoll()函数的问题,这与Unicode规范化无关. Recap：根据当前语言环境,我演示uniq的不同行为的最小例子是：
$echo -e "\xc9\xa2\n\xc9\xac" > test.txt $cat test.txt ɢ ɬ $LC_COLLATE=C uniq -D test.txt $LC_COLLATE=en_US.UTF-8 uniq -D test.txt ɢ ɬ
显然,如果语言环境是en_US.UTF-8 uniq将ɢ和ɬ作为重复,那不应该是这样.然后我再次使用valgrind运行相同的命令,并用kcachegrind调查了两个调用图.
$LC_COLLATE=C valgrind --tool=callgrind uniq -D test.txt $LC_COLLATE=en_US.UTF-8 valgrind --tool=callgrind uniq -D test.txt $kcachegrind callgrind.out.5754 & $kcachegrind callgrind.out.5763 &
唯一的区别是,LC_COLLATE = en_US.UTF-8的版本称为strcoll(),而LC_COLLATE = C没有.所以我想到了以下strcoll()的最小例子：
#include <iostream>
#include <cstring>
#include <clocale>
int main()
{
const char* s1 = "\xc9\xa2";
const char* s2 = "\xc9\xac";
std::cout << s1 << std::endl;
std::cout << s2 << std::endl;
std::setlocale(LC_COLLATE,"en_US.UTF-8");
std::cout << std::strcoll(s1,s2) << std::endl;
std::cout << std::strcmp(s1,s2) << std::endl;
std::setlocale(LC_COLLATE,"C");
std::cout << std::strcoll(s1,s2) << std::endl;
std::cout << std::endl;
s1 = "\xa2";
s2 = "\xac";
std::cout << s1 << std::endl;
std::cout << s2 << std::endl;
std::setlocale(LC_COLLATE,s2) << std::endl;
}
输出：
ɢ ɬ 0 -1 -10 -1 � � 0 -1 -10 -1
那么这里有什么问题？为什么strcoll()为两个不同的字符返回0(相等)？
