Armadilhas de locale e data no coreutils: LC_ALL, intervalos de caracteres e date do GNU versus BSD

O que é

As variáveis de ambiente LANG, as categorias LC_* e LC_ALL selecionam um locale, e os utilitários do coreutils o consultam. O manual do sort afirma que as comparações usam a sequência de collation de LC_COLLATE, que LC_CTYPE define quais caracteres são espaços em branco e que LC_NUMERIC determina o separador de milhares e o ponto decimal para -n. A nota de rodapé recomenda definir LC_ALL como C quando um locale fora do padrão POSIX produz uma ordem inesperada, e observa que definir apenas LC_COLLATE é ineficaz se LC_ALL também estiver definida. O manual do date documenta que suas opções, exceto -u, são extensões GNU ao POSIX: -d datestr (--date) interpreta "almost any common format" (quase qualquer formato comum), mas a string precisa estar em forma independente de locale; -u se comporta como se TZ fosse UTC0; e -I imprime em ISO 8601. O date do BSD (FreeBSD, macOS) não interpreta uma string de data com -d; a página de manual do FreeBSD documenta -v [+|-]val[ymwdHMS] para ajustar uma data sem alterar o relógio, -j para suprimir a alteração do relógio, -f input_fmt para interpretar uma data de entrada e -r seconds para exibir um valor de epoch.

Por que importa

Um script que passa em uma máquina e falha na CI, ou que ordena de forma diferente para um colega, muitas vezes difere apenas no locale: um locale de idioma faz a collation de modo diferente da ordem de bytes, algo para o qual a nota de rodapé do manual do sort alerta. A aritmética com date -d do GNU falha no date do BSD, e o -v do BSD é desconhecido pelo date do GNU. A saída lida por outro programa (date sem formato, ls -l, printf '%.2f') muda de aspecto conforme o locale.

Como aplicar

• Comece os scripts com export LC_ALL=C para ter ordem por bytes e semântica ASCII, ou com LC_ALL=C.UTF-8 quando texto multibyte precisar permanecer íntegro; defina TZ=UTC quando horários forem comparados ou registrados em log.
• Nunca interprete a saída no formato predefinido, que depende do locale; peça um formato: date -u +%Y-%m-%dT%H:%M:%SZ, date +%s para segundos de epoch, stat ou find -printf com campos explícitos em vez de ls.
• Para aritmética de datas, ramifique conforme a implementação: GNU date -d '2 days ago' +%F, BSD date -v-2d +%F; para qualquer coisa além de um único deslocamento, use uma linguagem com uma biblioteca de datas de verdade.
• Escreva [[:lower:]] e [[:digit:]] em vez de [a-z] e [0-9]: o manual do grep (citado no artigo sobre grep) afirma que expressões de intervalo têm comportamento não especificado fora do locale C.
• Converta valores de epoch explicitamente: GNU date -d @1700000000, BSD date -r 1700000000.

Armadilhas

LC_ALL tem precedência sobre todas as outras categorias, inclusive o idioma das mensagens do usuário; limite seu escopo ao comando (LC_ALL=C sort ...) em vez de aplicá-la à sessão inteira. No locale C, cada byte é um caractere, então ferramentas que contam ou cortam caracteres tratam mal texto multibyte; use C.UTF-8 nesses casos. O date -d aceita muitas grafias, o que faz uma entrada errada ser interpretada como uma data errada em vez de falhar; use --debug para ver o que foi entendido.