LC_COLLATE afeta (deve) os intervalos de caracteres?

A ordem de intercalaçãoLC_COLLATE define não apenas a ordem de classificação de caracteres individuais, mas também o significado dos intervalos de caracteres. Ou faz? Considere o seguinte snippet:

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

Intuitivamente, Bnão está presente [a-z], portanto, isso não deve gerar nada. É o que acontece no Ubuntu 8.04 ou 10.04. Mas em algumas máquinas rodando Debian Lenny ou aperto, Bé encontrado, porque a gama a-zinclui tudo o que está entre ae zna ordem de agrupamento, incluindo as letras maiúsculas Batravés Z.

Todos os sistemas testados têm o en_UScódigo do idioma gerado. Também tentei variar o código do idioma: nas máquinas com as Bcorrespondências acima, o mesmo acontece em todos os códigos de idioma disponíveis (principalmente com base em latim: {en_{AU,CA,GB,IE,US},fr_FR,it_IT,es_ES,de_DE}{iso8859-1,iso8859-15,utf-8}também códigos de idioma chinês), exceto no japonês (em qualquer codificação disponível) e C/ POSIX.

O que significam intervalos de caracteres em expressões regulares quando você ultrapassa o ASCII? Por que existe uma diferença entre algumas instalações Debian, por um lado, e outras instalações Debian e Ubuntu, por outro? Como se comportam outros sistemas? Quem está certo e contra quem um bug deve ser relatado?

(Observe que estou perguntando especificamente sobre o comportamento dos intervalos de caracteres, como [a-z]nas en_USlocalidades, principalmente nos sistemas baseados em GNU libc. Não estou perguntando como combinar letras minúsculas ou letras minúsculas ASCII.)

Em duas máquinas Debian, uma onde Bestá [a-z]e outra onde não está, a saída de LC_COLLATE=en_US locale -k LC_COLLATEé

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

e a saída de LC_COLLATE=en_US.utf8 locale -k LC_COLLATEé

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

Se você estiver usando algo diferente do Ccódigo do idioma, não deverá usar intervalos como, [a-z]pois eles dependem do código do idioma e nem sempre fornecem os resultados esperados. Além do problema de caso que você já encontrou, algumas localidades tratam caracteres com sinais diacríticos (por exemplo, á ) da mesma forma que o caractere base ( por exemplo, a ).

Em vez disso, use uma classe de caracteres nomeada:

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

Isso sempre dará o resultado correto para o código do idioma. No entanto, você precisa escolher o local para refletir o significado do texto de entrada e do teste que você está tentando aplicar.

Por exemplo, se você precisar encontrar um valor de byte específico, use o Ccódigo do idioma, que está sempre disponível:

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

Se isso não funcionar como esperado, é realmente um bug.

Intervalos em expressões regulares devem observar a configuração de agrupamento. Aqui está o padrão relevante: http://pubs.opengroup.org/onlinepubs/007908799/xbd/re.html (procure por "expressões de intervalo"). Portanto, echo B | LC_COLLATE=en_US grep '[a-z]'deve ser Bfornecida uma definição sensata do respectivo código do idioma. Não sei explicar por que isso às vezes não funciona para você, mas ficaria muito surpreso se encontrasse isso em um sistema não antigo que esteja instalado e configurado corretamente.