Marcas de Cotação SED e Unicode

Ao testar contra essa string:

“… so that’s that… ”

Os itens a seguir devem, mas não coincidem, as aspas de abertura e as reticências e espaços a seguir:

sed "s/\([“‘\"']…\) /\1/g"

No entanto, isso corresponde corretamente as reticências segundo e seguinte espaço e aspas de fechamento:

sed "s/… \([”’\"'.!?]\)/…\1/g"

Se eu dividir o primeiro, tudo funciona bem:

sed -e "s/\(“…\) /\1/g" \
-e "s/\(‘…\) /\1/g" \
-e "s/\(\"…\) /\1/g" \
-e "s/\('…\) /\1/g"

Então, por que não funciona quando é agrupado? Especialmente quando funciona bem com as aspas de fechamento.

sed unicode

— Jonathan Patt
fonte

Eu poderia estar errado sobre isso, mas na segunda declaração sed (sed "s /… \ ([" '\ "'.!?] \) /… \ 1 / g"), o 'ponto' (na praça parêntesis; antes que o! e?) deve corresponder a qualquer caractere desde que não tenha escapado.Então você está procurando as reticências seguido por um espaço, seguido por qualquer caractere (ou qualquer um dos outros caracteres listados)

— Creepygeek

Esse não parece ser o caso, até onde eu sei - o período não parece estar atuando como um curinga quando está entre os colchetes.

— Jonathan Patt

Qual versão de sedvocê está usando? Eu acredito que o GNU sed deve suportar caracteres Unicode, e seu exemplo funciona para mim no Linux (Ubuntu, com o ambiente UTF-8).

Se você estiver usando uma versão do sed que não seja compatível com Unicode, seu grupo de caracteres será interrompido porque corresponde apenas a um byte. Se sua linha de comando estiver usando uma codificação UTF-8, quando você diz que “um sed não-compatível com Unicode realmente veria três bytes \xE2, \x80e \x9C. Isso aumentaria seu grupo de caracteres, que corresponderia apenas a um desses bytes por vez. Várias outras construções também falhariam, por exemplo. a”?é a letra 'a', em seguida, dois bytes seguidos por um terceiro byte opcional, portanto, por asi só, não corresponderia à expressão, embora pareça que deveria.

(Você pode querer considerar também a substituição do caractere de reticências por três pontos. Reticências é um caractere de compatibilidade no Unicode; geralmente é considerado mais moderno gravar os pontos e deixar que a fonte cuide dos diagramas.)

— bobince
fonte

Eu estava usando qualquer versão do sedOS X 10.6 - não era capaz de determinar qual versão é -, mas eu acabei de instalar gsede funciona perfeitamente lá. Obrigado! Em relação às reticências, isso é para um projeto pessoal em que prefiro o uso de reticências em três períodos e, se necessário, é fácil convertê-los mais tarde.

— Jonathan Patt

Acho que você retrocedeu: ...é a versão de compatibilidade de uma reticência adequada …. Não é mais moderno usar em ...vez de …, e usar o glifo de reticências é permitir que a fonte faça a coisa correta - é por isso que o glifo de reticências está lá.

— Andrew Marshall