Pièges de locale et de date dans coreutils : LC_ALL, plages de caractères et date GNU contre BSD

Ce que c'est

Les variables d'environnement LANG, les catégories LC_* et LC_ALL sélectionnent une locale, que les coreutils consultent. Le manuel de sort indique que les comparaisons utilisent la séquence de collation LC_COLLATE, que LC_CTYPE décide quels caractères sont des blancs, et que LC_NUMERIC fixe le séparateur de milliers et le séparateur décimal pour -n ; sa note de bas de page recommande de fixer LC_ALL à C lorsqu'une locale non-POSIX produit un ordre inattendu, et précise que fixer seulement LC_COLLATE est sans effet si LC_ALL est également défini. Le manuel de date documente que ses options autres que -u sont des extensions GNU à POSIX : -d datestr (--date) analyse « presque n'importe quel format courant », mais la chaîne doit être sous une forme indépendante de la locale, -u se comporte comme si TZ valait UTC0, et -I affiche au format ISO 8601. La commande date de BSD (FreeBSD, macOS) n'analyse pas de chaîne de date avec -d ; la page de manuel FreeBSD documente -v [+|-]val[ymwdHMS] pour ajuster une date sans régler l'horloge, -j pour supprimer le réglage, -f input_fmt pour l'analyse, et -r seconds pour afficher une valeur d'époque.

Pourquoi c'est important

Un script qui réussit sur une machine mais échoue en intégration continue, ou qui trie différemment pour un collègue, ne diffère souvent que par la locale : une locale linguistique collationne différemment de l'ordre des octets, ce contre quoi met en garde la note de bas de page du manuel de sort. L'arithmétique de date -d sous GNU échoue avec la commande date de BSD, et le -v de BSD est inconnu de la date GNU. Une sortie analysée par un autre programme (date sans format, ls -l, printf '%.2f') change de forme selon la locale.

Comment l'appliquer

• Commencer les scripts par export LC_ALL=C pour l'ordre des octets et la sémantique ASCII, ou LC_ALL=C.UTF-8 lorsque du texte multi-octets doit rester intact ; fixer TZ=UTC lorsque des heures sont comparées ou journalisées.
• Ne jamais analyser une sortie par défaut dépendante de la locale ; demander un format : date -u +%Y-%m-%dT%H:%M:%SZ, date +%s pour les secondes d'époque, stat ou find -printf avec des champs explicites plutôt que ls.
• Pour l'arithmétique de dates, distinguer selon l'implémentation : GNU date -d '2 days ago' +%F, BSD date -v-2d +%F ; au-delà d'un simple décalage, utiliser un langage doté d'une véritable bibliothèque de dates.
• Écrire [[:lower:]] et [[:digit:]] plutôt que [a-z] et [0-9] : le manuel de grep (cité dans l'article sur grep) indique que les expressions d'intervalle ne sont pas spécifiées hors de la locale C.
• Convertir explicitement les valeurs d'époque : GNU date -d @1700000000, BSD date -r 1700000000.

Pièges

LC_ALL prime sur toutes les autres catégories, y compris la langue des messages de l'utilisateur ; le restreindre à la commande (LC_ALL=C sort ...) plutôt qu'à toute la session. Dans la locale C, chaque octet est un caractère, si bien que les outils qui comptent ou découpent des caractères traitent mal le texte multi-octets ; utiliser C.UTF-8 pour ceux-là. date -d accepte de nombreuses formulations, ce qui fait qu'une entrée erronée est analysée comme une date erronée plutôt que rejetée ; utiliser --debug pour voir ce qui a été compris.