Trampas de configuración regional y fecha en coreutils: LC_ALL, rangos de caracteres, y GNU frente a BSD date

Qué es

Las variables de entorno LANG, las categorías LC_* y LC_ALL seleccionan una configuración regional, y las coreutils la consultan. El manual de sort indica que las comparaciones usan la secuencia de ordenación LC_COLLATE, que LC_CTYPE decide qué caracteres son espacios en blanco, y que LC_NUMERIC fija el separador de miles y el punto decimal para -n; su nota al pie recomienda fijar LC_ALL en C cuando una configuración regional no POSIX produce un orden inesperado, y señala que fijar solo LC_COLLATE no tiene efecto si LC_ALL también está fijado. El manual de date documenta que sus opciones distintas de -u son extensiones GNU a POSIX: -d datestr (--date) analiza «casi cualquier formato común», pero la cadena debe estar en una forma independiente de la configuración regional, -u se comporta como si TZ fuera UTC0, e -I imprime ISO 8601. BSD date (FreeBSD, macOS) no analiza una cadena de fecha con -d; la página de manual de FreeBSD documenta -v [+|-]val[ymwdHMS] para ajustar una fecha sin fijar el reloj, -j para suprimir la fijación, -f input_fmt para analizar, y -r seconds para imprimir un valor de época.

Por qué importa

Un script que pasa en una máquina y falla en CI, o que ordena de forma distinta para una persona colega, a menudo difiere solo en la configuración regional: una configuración regional de idioma ordena de forma distinta al orden de bytes, algo sobre lo que advierte la nota al pie del manual de sort. La aritmética de date -d de GNU falla en BSD date, y -v de BSD es desconocido para date de GNU. La salida analizada por otro programa (date sin formato, ls -l, printf '%.2f') cambia de forma según la configuración regional.

Cómo aplicarlo

• Comenzar los scripts con export LC_ALL=C para el orden de bytes y la semántica ASCII, o LC_ALL=C.UTF-8 cuando el texto multibyte deba permanecer intacto; fijar TZ=UTC cuando se comparen o se registren horas.
• No analizar nunca la salida por defecto dependiente de la configuración regional; solicitar un formato: date -u +%Y-%m-%dT%H:%M:%SZ, date +%s para segundos de época, stat o find -printf con campos explícitos en lugar de ls.
• Para la aritmética de fechas, bifurcar según la implementación: GNU date -d '2 days ago' +%F, BSD date -v-2d +%F; para cualquier cosa más allá de un único desfase, usar un lenguaje con una biblioteca de fechas real.
• Escribir [[:lower:]] y [[:digit:]] en lugar de [a-z] y [0-9]: el manual de grep (citado en el artículo de grep) indica que las expresiones de rango no están especificadas fuera de la configuración regional C.
• Convertir los valores de época de forma explícita: GNU date -d @1700000000, BSD date -r 1700000000.

Trampas

LC_ALL anula cualquier otra categoría, incluido el idioma de los mensajes; limitarlo al comando (LC_ALL=C sort ...) en lugar de a toda la sesión. En la configuración regional C, cada byte es un carácter, por lo que las herramientas que cuentan o cortan caracteres manejan mal el texto multibyte; usar C.UTF-8 para esos casos. date -d acepta muchas grafías, lo que hace que una entrada incorrecta se analice como una fecha equivocada en lugar de fallar; usar --debug para ver qué se entendió.