Jaka jest różnica między strcmp() i strcoll()?

Question

Próbowałem zrozumieć zarówno z nich, ale nie mogę znaleźć żadnych różnic z wyjątkiem strcoll()this referencyjna mówi, że

porównuje dwa ciągi NUL według aktualnej lokalizacji zgodnie z definicją kategorii LC_COLLATE.

Po drugie myśli i wiem, że zadaję kolejne pytanie do szczegółowej odpowiedzi, co to dokładnie jest to ustawienie regionalne, zarówno dla C i C++?

Answer 1

strcmp() pobiera bajty ciągu jeden po drugim i porównuje je tak, jak wszystkie bajty.

strcoll() pobiera bajty, przekształca je za pomocą ustawień narodowych, a następnie porównuje wynik. Transformacja zmienia kolejność w zależności od języka. Po francusku akcentowane litery pojawiają się po nieakcentowanych. Tak é jest po e. Jednak é jest przed f. strcoll() robi to dobrze. strcmp() Nie tak dobrze.

Jednak w wielu przypadkach wystarczy strcmp(), ponieważ nie trzeba wyświetlać wyników uporządkowanych w języku (locale) w użyciu. Na przykład, jeśli potrzebujesz tylko szybkiego dostępu do dużej liczby danych zindeksowanych przez ciąg znaków, użyjesz mapy zindeksowanej przez ten ciąg. Prawdopodobnie jest całkowicie bezużyteczny do sortowania korzystających strcoll() który jest na ogół bardzo powolna (w porównaniu do strcmp() przynajmniej.)

Szczegółowe informacje na temat znaków można również sprawdzić na stronie internetowej Unicode.

Jeśli chodzi o ustawienia regionalne, jest to język. Domyślnie jest ustawiony na "C" (mniej więcej, brak ustawień regionalnych). Po wybraniu lokalizacji ustawienia regionalne są odpowiednio ustawione. Możesz również ustawić zmienną środowiskową LC_LOCALE. W rzeczywistości istnieje wiele takich zmiennych. Ale generalnie używasz predefiniowanych funkcji, które automatycznie uwzględniają te zmienne i robią to, co trzeba. (format daty/czasu, liczby formatów/miary, compute upper/lower case, itd.)

Answer 2

Z jakiegoś powodu we wszystkich loci unikodowych testowałem, w kilku różnych wersjach glibc, strcoll() zwraca zero dla dowolnych dwóch hiraganas. To łamie sortowania uniq i wszystko, co w jakiś sposób współdziała z kolejnością łańcuchów.

$ echo -e -n 'い \ n ろ \ n は \ n に \ n ほ \ n へ \ n と \ n' | sortuj uniq

い

który jest po prostu uszkodzony nie do naprawienia. Ludzie z różnych stron świata mogą mieć różne pomysły na to, czy "い" powinno być umieszczone przed lub po "ろ", ale nikt rozsądny nie uznałby ich za takiego samego.

I nie, ustawiania locale do japońskiego jednego nie ma znaczenia:

$ LC_ALL = ja_JP.utf8 LANG = ja_JP.utf8 LC_COLLATE = ja_JP.utf8 echo -e -n 'い \ n ろ \ n は \ n に \ n ほ \ n へ \ n と \ n' | sortuj uniq

い

Była dyskusja w jakiejś oficjalnej liście mailingowej, ale wiecie co, to było w 2002 roku i nigdy nie została ustalona, ​​ponieważ ludzie nie obchodzi: https://www.mail-archive.com/linux-utf8@nl.linux.org/msg02658.html

To bug stało nas w jeden dzień i na końcu naszym jedynym wyjściem było ustawienie locale sortowania na "C" i poleganie na ładnych właściwościach kodowania utf-8. To straszne doświadczenie, ponieważ nie powinno się pracować w locale "C" podczas przetwarzania danych w całości po japońsku.

Tak więc ze względu na zdrowie psychiczne NIE używaj bezpośrednio strcoll. Bezpieczniejsze wariant może być:

int safe_strcoll(const char *a, const char *b) 
{ 
    int ret = strcoll(a, b); 
    if (ret != 0) return ret; 
    return strcmp(a, b); 
} 

tylko w przypadku strcoll() decyduje się wkręcić cię ...