¿LC_COLLATE (debería) afectar los rangos de caracteres?

El orden de LC_COLLATEclasificación define no solo el orden de clasificación de los caracteres individuales, sino también el significado de los rangos de caracteres. O lo hace? Considere el siguiente fragmento:

unset LANGUAGE LC_ALL
echo B | LC_COLLATE=en_US grep '[a-z]'

Intuitivamente, Bno está dentro [a-z], por lo que esto no debería generar nada. Eso es lo que sucede en Ubuntu 8.04 o 10.04. Sin embargo, en algunas máquinas que ejecutan Lenny Debian o apretón, Bse encuentra, ya que el rango a-zincluye todo lo que está entre ay zen el orden de clasificación, incluyendo las mayúsculas Ba través Z.

Todos los sistemas probados tienen la en_USconfiguración regional generada. También intenté variar la configuración regional: en las máquinas en las que Bse hace coincidir anteriormente, sucede lo mismo en todas las configuraciones regionales disponibles (en su mayoría basadas en latín {en_{AU,CA,GB,IE,US},fr_FR,it_IT,es_ES,de_DE}{iso8859-1,iso8859-15,utf-8}, también en configuraciones regionales chinas), excepto en japonés (en cualquier codificación disponible) y C/ POSIX.

¿Qué significan los rangos de caracteres en las expresiones regulares , cuando vas más allá de ASCII? ¿Por qué hay una diferencia entre algunas instalaciones de Debian por un lado, y otras instalaciones de Debian y Ubuntu por el otro? ¿Cómo se comportan otros sistemas? ¿Quién tiene razón y contra quién se debe informar un error?

(Tenga en cuenta que estoy preguntando específicamente sobre el comportamiento de los rangos de caracteres, como [a-z]en las en_USconfiguraciones regionales, principalmente en los sistemas basados ​​en GNU libc. No estoy preguntando cómo hacer coincidir letras minúsculas o minúsculas ASCII).

En dos máquinas Debian, una donde Bestá adentro [a-z]y otra donde no está, la salida de LC_COLLATE=en_US locale -k LC_COLLATEes

collate-nrules=4
collate-rulesets=""
collate-symb-hash-sizemb=1
collate-codeset="ISO-8859-1"

y la salida de LC_COLLATE=en_US.utf8 locale -k LC_COLLATEes

collate-nrules=4
collate-rulesets=""
collate-symb-hash-sizemb=2039
collate-codeset="UTF-8"

Si está utilizando otra cosa que no sea la Cconfiguración regional, no debería utilizar rangos como [a-z]estos, ya que dependen de la configuración regional y no siempre dan los resultados esperados. Además del problema de caso que ya ha encontrado, algunos entornos locales tratan los caracteres con signos diacríticos (por ejemplo, á ) igual que el carácter base (es decir, a ).

En su lugar, use una clase de caracteres con nombre:

echo B | grep '[[:lower:]]'

Esto siempre dará el resultado correcto para la configuración regional. Sin embargo, debe elegir la configuración regional para reflejar el significado tanto del texto de entrada como de la prueba que está intentando aplicar.

Por ejemplo, si necesita encontrar un valor de byte particular, use la Cconfiguración regional, que siempre está disponible:

echo B | LANG=C grep '[a-z]'

Si esto no funciona como se esperaba, realmente es un error.

Los rangos en expresiones regulares deben observar la configuración de intercalación. Aquí está el estándar relevante: http://pubs.opengroup.org/onlinepubs/007908799/xbd/re.html (busque "expresiones de rango"). Por echo B | LC_COLLATE=en_US grep '[a-z]'lo tanto, debería Bdar una definición razonable de la configuración regional respectiva. No puedo explicar por qué esto a veces no funciona para ti, pero me sorprendería mucho si me encontrara con un sistema no antiguo que esté instalado y configurado correctamente.