rev |
line source |
meillo@6
|
1 cut - cut out selected fields of each line of a file
|
meillo@6
|
2 ----------------------------------------------------
|
meillo@6
|
3 markus schnalke <meillo@marmaro.de>
|
meillo@6
|
4 2015-05
|
meillo@0
|
5
|
meillo@0
|
6
|
meillo@1
|
7 Cut ist ein klassisches Programm im Unix-Werkzeugkasten.
|
meillo@8
|
8 In keinem ordentlichen Tutorial zur Shellprogrammierung fehlt
|
meillo@9
|
9 es, denn es ist ein schoenes, praktisches und anschauliches
|
meillo@9
|
10 Helferlein. Hier soll ein wenig hinter seine Fassade geschaut
|
meillo@9
|
11 werden.
|
meillo@0
|
12
|
meillo@0
|
13
|
meillo@4
|
14 Funktionsweise
|
meillo@4
|
15
|
meillo@8
|
16 Urspruenglich hatte cut zwei Modi, die spaeter um einen dritten
|
meillo@9
|
17 erweitert wurden. Cut schneidet entweder gewuenschte Zeichen aus
|
meillo@9
|
18 den Zeilen der Eingabe oder gewuenschte, durch Trennzeichen
|
meillo@8
|
19 definierte, Felder.
|
meillo@0
|
20
|
meillo@9
|
21 Der Zeichenmodus ist optimal geeignet um Festbreitenformate zu
|
meillo@8
|
22 zerteilen. So kann man damit beispielsweise bestimmte
|
meillo@9
|
23 Zugriffsrechte aus der Ausgabe von `ls -l' ausschneiden, in
|
meillo@9
|
24 diesem Beispiel die Rechte des Besitzers:
|
meillo@0
|
25
|
meillo@15
|
26 $ ls -l foo
|
meillo@15
|
27 -rw-rw-r-- 1 meillo users 0 May 12 07:32 foo
|
meillo@15
|
28
|
meillo@4
|
29 $ ls -l foo | cut -c 2-4
|
meillo@4
|
30 rw-
|
meillo@0
|
31
|
meillo@4
|
32 Oder die Schreibrechte des Besitzers, der Gruppe und der
|
meillo@4
|
33 Welt:
|
meillo@0
|
34
|
meillo@4
|
35 $ ls -l | cut -c 3,6,9
|
meillo@4
|
36 ww-
|
meillo@0
|
37
|
meillo@4
|
38 Mit cut lassen sich aber auch Strings kuerzen.
|
meillo@0
|
39
|
meillo@10
|
40 $ long=12345678901234567890
|
meillo@10
|
41 $ echo "$long" | cut -c -10
|
meillo@10
|
42 1234567890
|
meillo@0
|
43
|
meillo@10
|
44 Dieser Befehl gibt die ersten maximal 10 Zeichen von
|
meillo@15
|
45 `$long' aus. (Alternativ kann man hierfuer `printf
|
meillo@10
|
46 "%.10s\n" "$long"' verwenden.)
|
meillo@0
|
47
|
meillo@4
|
48 Geht es aber nicht um die Darstellung von Zeichen, sondern um
|
meillo@8
|
49 ihre Speicherung, dann ist `-c' nicht unbedingt geeignet.
|
meillo@17
|
50 Frueher, als US-ASCII noch die omnipraesente Zeichenkodierung
|
meillo@17
|
51 war, wurde jedes Zeichen mit genau einem
|
meillo@4
|
52 Byte gespeichert. Somit selektierte `cut -c' gleichermassen
|
meillo@4
|
53 sowohl Ausgabezeichen als auch Bytes. Mit dem Aufkommen von
|
meillo@4
|
54 Multibyte-Kodierungen (wie UTF-8) musste man sich jedoch von
|
meillo@4
|
55 dieser Annahme loesen. In diesem Zug bekam cut mit
|
meillo@9
|
56 POSIX.2-1992 einen Bytemodus (Option `-b'). Will man
|
meillo@4
|
57 also nur die ersten maximal 500 Bytes vor dem
|
meillo@0
|
58 Newline-Zeichen stehen haben (und den Rest stillschweigend
|
meillo@0
|
59 ignorieren), dann macht man das mit:
|
meillo@0
|
60
|
meillo@6
|
61 $ cut -b -500
|
meillo@0
|
62
|
meillo@4
|
63 Den Rest kann man sich mit `cut -b 501-' einfangen. Diese
|
meillo@8
|
64 Funktion ist insbesondere fuer POSIX wichtig, da man so
|
meillo@8
|
65 Textdateien mit begrenzter Zeilenlaenge erzeugen kann.
|
meillo@4
|
66 [ http://pubs.opengroup.org/onlinepubs/9699919799/utilities/cut.html#tag_20_28_17
|
meillo@0
|
67
|
meillo@17
|
68 Wenn auch der Bytemodus neu eingefuehrt worden war, so sollte
|
meillo@17
|
69 er sich doch nur so verhalten wie der alte Zeichenmodus
|
meillo@17
|
70 normalerweise schon implementiert war. Beim Zeichenmodus aber
|
meillo@17
|
71 wurde eine neue Implementierungsweise gefordert. Das Problem
|
meillo@17
|
72 war also nicht, den neuen Bytemodus zu implementieren, sondern
|
meillo@10
|
73 den Zeichenmodus neu zu implementieren.
|
meillo@10
|
74
|
meillo@17
|
75 Neben dem Zeichen- und Bytemodus bietet cut noch den
|
meillo@17
|
76 Feldmodus, den man mit `-f' einleitet. Mit ihm
|
meillo@4
|
77 koennen Felder ausgewaehlt werden. Das Trennzeichen (per
|
meillo@4
|
78 Default der Tab) kann mit `-d' geaendert werden.
|
meillo@0
|
79
|
meillo@17
|
80 Der typische Anwendungsfall fuer cut im Feldmodus ist die
|
meillo@8
|
81 Auswahl von Information aus der passwd-Datei. So z.B. der
|
meillo@17
|
82 Benutzername und seine ID:
|
meillo@0
|
83
|
meillo@17
|
84 $ cut -d: -f1,3 /etc/passwd
|
meillo@17
|
85 root:0
|
meillo@17
|
86 bin:1
|
meillo@17
|
87 daemon:2
|
meillo@17
|
88 mail:8
|
meillo@9
|
89 ...
|
meillo@0
|
90
|
meillo@0
|
91 (Die Argumente fuer die Optionen koennen bei cut uebrigens
|
meillo@8
|
92 mit Whitespace abgetrennt oder direkt angehaengt folgen.)
|
meillo@0
|
93
|
meillo@17
|
94 Dieser Feldmodus ist fuer einfache tabellarische Dateien,
|
meillo@4
|
95 wie eben die passwd, gut geeignet. Er kommt aber schnell an
|
meillo@9
|
96 seine Grenzen. Gerade der haeufige Fall, dass an Whitespace
|
meillo@0
|
97 in Felder geteilt werden soll, wird damit nicht abgedeckt.
|
meillo@17
|
98 Der Delimiter kann bei cut nur genau ein Zeichen sein. Es kann
|
meillo@17
|
99 also nicht sowohl an Leerzeichen als auch an Tabs aufgetrennt
|
meillo@17
|
100 werden. Auch unterteilt cut an jedem Trennzeichen. Zwei aneinander
|
meillo@4
|
101 stehende Trennzeichen fuehren zu einem leeren Feld. Dieses
|
meillo@8
|
102 Verhalten widerspricht den Erwartungen, die man an die
|
meillo@8
|
103 Verarbeitung einer Datei mit Whitespace-getrennten Feldern
|
meillo@8
|
104 hat. Manche Implementierungen von cut, z.B. die von FreeBSD,
|
meillo@17
|
105 haben deshalb Erweiterungen, die das gewuenschte Verhalten
|
meillo@17
|
106 fuer Whitespace-getrennte Felder bieten. Ansonsten, d.h. wenn
|
meillo@9
|
107 man portabel bleiben will, verwendet man awk in diesen
|
meillo@9
|
108 Faellen.
|
meillo@0
|
109
|
meillo@4
|
110 Awk bietet noch eine weitere Funktion, die cut missen
|
meillo@8
|
111 laesst: Das Tauschen der Feld-Reihenfolge in der Ausgabe. Bei
|
meillo@8
|
112 cut ist die Reihenfolge der Feldauswahlangabe irrelevant; ein
|
meillo@15
|
113 Feld kann selbst mehrfach angegeben werden. So gibt der Aufruf
|
meillo@8
|
114 von `cut -c 5-8,1,4-6' die Zeichen Nummer 1, 4, 5, 6, 7 und 8
|
meillo@8
|
115 in genau dieser Reihenfolge aus. Die Auswahl entspricht damit
|
meillo@8
|
116 der Mengenlehre in der Mathematik: Jedes angegebene Feld wird
|
meillo@9
|
117 Teil der Ergebnismenge. Die Felder der Ergebnismenge sind
|
meillo@9
|
118 dabei immer gleich geordnet wie in der Eingabe. Um die Worte
|
meillo@16
|
119 der Manpage von Version 8 Unix wiederzugeben: ``In data base
|
meillo@9
|
120 parlance, it projects a relation.''
|
meillo@16
|
121 [ http://man.cat-v.org/unix_8th/1/cut
|
meillo@8
|
122 Cut fuehrt also die Datenbankoperation Projektion auf
|
meillo@10
|
123 Textdateien aus. Die Wikipedia erklaert das folgendermassen:
|
meillo@7
|
124
|
meillo@7
|
125 Die Projektion entspricht der Projektionsabbildung aus der
|
meillo@7
|
126 Mengenlehre und kann auch Attributbeschränkung genannt
|
meillo@7
|
127 werden. Sie extrahiert einzelne Attribute aus der
|
meillo@7
|
128 ursprünglichen Attributmenge und ist somit als eine Art
|
meillo@7
|
129 Selektion auf Spaltenebene zu verstehen, das heißt, die
|
meillo@7
|
130 Projektion blendet Spalten aus.
|
meillo@7
|
131
|
meillo@8
|
132 [ http://de.wikipedia.org/wiki/Projektion_(Informatik)#Projektion
|
meillo@8
|
133
|
meillo@7
|
134
|
meillo@0
|
135 Geschichtliches
|
meillo@0
|
136
|
meillo@4
|
137 Cut erblickte 1982 mit dem Release von UNIX System III das
|
meillo@4
|
138 Licht der oeffentlichen Welt. Wenn man die Quellen von System
|
meillo@4
|
139 III durchforstet, findet man die Quellcodedatei cut.c mit dem
|
meillo@4
|
140 Zeitstempel 1980-04-11.
|
meillo@1
|
141 [ http://minnie.tuhs.org/cgi-bin/utree.pl?file=SysIII/usr/src/cmd
|
meillo@4
|
142 Das ist die aelteste Manifestation des Programms, die ich
|
meillo@17
|
143 aufstoebern konnte. Allerdings spricht die SCCS-ID im
|
meillo@8
|
144 Quellcode von Version 1.5. Es muss also noch eine
|
meillo@8
|
145 Vorgeschichte geben. Zu dieser habe ich leider keinen Zugang
|
meillo@8
|
146 gefunden.
|
meillo@9
|
147 XXX mail an TUHS
|
meillo@0
|
148
|
meillo@17
|
149 Nun ein Blick auf die BSD-Linie: Dort ist mein fruehester
|
meillo@17
|
150 Fund ein cut.c mit dem Dateimodifikationsdatum 1986-11-07
|
meillo@8
|
151 [ http://minnie.tuhs.org/cgi-bin/utree.pl?file=4.3BSD-UWisc/src/usr.bin/cut
|
meillo@8
|
152 als Teil der Spezialversion 4.3BSD-UWisc,
|
meillo@6
|
153 [ http://gunkies.org/wiki/4.3_BSD_NFS_Wisconsin_Unix
|
meillo@6
|
154 die im Januar 1987 veroeffentlicht wurde.
|
meillo@8
|
155 Die Implementierung unterscheidet sich nur minimal von der
|
meillo@8
|
156 in System III.
|
meillo@17
|
157 Im bekannteren 4.3BSD-Tahoe (1988) tauchte cut nicht auf.
|
meillo@17
|
158 Das darauf folgende 4.3BSD-Reno (1990) lieferte aber wieder
|
meillo@17
|
159 ein cut mit aus. Dieses cut war ein von Adam S. Moskowitz und
|
meillo@8
|
160 Marciano Pitargue neu implementiertes cut, das 1989 in BSD
|
meillo@8
|
161 aufgenommen wurde.
|
meillo@1
|
162 [ http://minnie.tuhs.org/cgi-bin/utree.pl?file=4.3BSD-Reno/src/usr.bin/cut
|
meillo@4
|
163 Seine Manpage
|
meillo@1
|
164 [ http://minnie.tuhs.org/cgi-bin/utree.pl?file=4.3BSD-Reno/src/usr.bin/cut/cut.1
|
meillo@4
|
165 erwaehnt bereits die erwartete Konformitaet mit POSIX.2.
|
meillo@17
|
166 Nun muss man wissen, dass POSIX.2 erst im September
|
meillo@10
|
167 1992 veroeffentlicht wurde, also gut zwei Jahren nachdem die
|
meillo@17
|
168 Manpage und das Programm geschrieben worden waren. Das Programm
|
meillo@10
|
169 wurde folglich anhand von Arbeitsversionen des Standards
|
meillo@15
|
170 implementiert. Ein Blick in den Code bekraeftigt diese Vermutung.
|
meillo@15
|
171 In der Funktion zum parsen der Feldauswahlliste findet sich
|
meillo@15
|
172 dieser Kommentar:
|
meillo@0
|
173
|
meillo@15
|
174 This parser is less restrictive than the Draft 9 POSIX spec.
|
meillo@15
|
175 POSIX doesn't allow lists that aren't in increasing order or
|
meillo@15
|
176 overlapping lists.
|
meillo@9
|
177
|
meillo@15
|
178 Im Draft 11.2 (1991-09) fordert POSIX diese Flexibilitaet bereits
|
meillo@15
|
179 ein:
|
meillo@12
|
180
|
meillo@15
|
181 The elements in list can be repeated, can overlap, and can
|
meillo@15
|
182 be specified in any order.
|
meillo@15
|
183
|
meillo@17
|
184 Auch listet Draft 11.2 alle drei Modi, waehrend in diesem
|
meillo@17
|
185 BSD cut nur die zwei alten implementiert sind. Es koennte also
|
meillo@17
|
186 sein, dass in Draft 9 der Bytemodus noch nicht vorhanden war.
|
meillo@17
|
187 Da ich keinen Zugang zu Draft 9 oder 10 finden konnte, war es mir
|
meillo@17
|
188 leider nicht moeglich, diese Vermutung zu pruefen. XXX
|
meillo@17
|
189
|
meillo@17
|
190 Die Versionsnummern und Aenderungsdaten der aelteren
|
meillo@17
|
191 BSD-Implementierungen kann man aus den SCCS-IDs, die vom
|
meillo@17
|
192 damaligen Versionskontrollsystem in den Code eingefuegt wurden,
|
meillo@15
|
193 ablesen. So z.B. bei 4.3BSD-Reno: ``5.3 (Berkeley) 6/24/90''.
|
meillo@12
|
194
|
meillo@12
|
195 Das cut der GNU Coreutils enthaelt folgenden Copyrightvermerk:
|
meillo@12
|
196
|
meillo@12
|
197 Copyright (C) 1997-2015 Free Software Foundation, Inc.
|
meillo@12
|
198 Copyright (C) 1984 David M. Ihnat
|
meillo@12
|
199
|
meillo@17
|
200 Der Code hat also recht alte Urspruenge. Wie aus weiteren
|
meillo@17
|
201 Kommentaren zu entnehmen ist, wurde der Programmcode zuerst von David
|
meillo@12
|
202 MacKenzie und spaeter von Jim Meyering ueberarbeitet. Letzterer
|
meillo@12
|
203 hat den Code 1992 auch ins Versionkontrollsystem eingestellt.
|
meillo@17
|
204 Weshalb die Jahre vor 1997, zumindest ab 1992, nicht im
|
meillo@17
|
205 Copyright-Vermerk auftauchen, ist unklar.
|
meillo@12
|
206
|
meillo@12
|
207 Trotz der vielen Jahreszahlen aus den 80er Jahren gehoert cut,
|
meillo@10
|
208 aus Sicht des urspruenglichen Unix, zu den juengeren Tools.
|
meillo@1
|
209 Wenn cut auch ein Jahrzehnt aelter als Linux, der Kernel, ist,
|
meillo@4
|
210 so war Unix doch schon ueber zehn Jahre alt, als cut das
|
meillo@9
|
211 erste Mal auftauchte. Insbesondere gehoerte cut auch noch nicht
|
meillo@4
|
212 zu Version 7 Unix, das die Ausgangsbasis aller modernen
|
meillo@4
|
213 Unix-Systeme darstellt. Die weit komplexeren Programme sed
|
meillo@4
|
214 und awk waren dort schon vertreten. Man muss sich also
|
meillo@4
|
215 fragen, warum cut ueberhaupt noch entwickelt wurde, wo es
|
meillo@9
|
216 schon zwei Programme gab, die die Funktion von cut abdecken
|
meillo@9
|
217 konnten. Ein Argument fuer cut war sicher seine Kompaktheit und
|
meillo@4
|
218 die damit verbundene Geschwindigkeit gegenueber dem damals
|
meillo@17
|
219 traegen awk. Diese schlanke Gestalt ist es auch, die der
|
meillo@17
|
220 Unix-Philosopie entspricht: Mache eine Aufgabe und die richtig!
|
meillo@9
|
221 Cut ueberzeugte. Es wurde in andere Unix Varianten uebernommen,
|
meillo@9
|
222 standardisiert und ist heutzutage ueberall anzutreffen.
|
meillo@1
|
223
|
meillo@9
|
224 Die urspruengliche Variante (ohne -b) wurde schon 1985 in
|
meillo@5
|
225 der System V Interface Definition, einer wichtigen formalen
|
meillo@9
|
226 Beschreibung von UNIX System V, spezifiziert und tauchte
|
meillo@9
|
227 anschliessend in allen relevanten Standards auf. Mit POSIX.2
|
meillo@9
|
228 im Jahre 1992 wurde cut zum ersten Mal in der heutigen Form
|
meillo@9
|
229 (mit -b) standardisiert.
|
meillo@15
|
230 XXX sicher?
|
meillo@1
|
231
|
meillo@1
|
232
|
meillo@9
|
233 Multibyte-Unterstuetzung
|
meillo@8
|
234
|
meillo@8
|
235 Nun sind der Bytemodus und die damit verbundene
|
meillo@8
|
236 Multibyte-Verarbeitung des POSIX-Zeichenmodus bereits seit
|
meillo@8
|
237 1992 standardisiert, wie steht es aber mit deren Umsetzung?
|
meillo@10
|
238 Welche Versionen implementieren POSIX korrekt?
|
meillo@17
|
239 Die Situation ist dreiteilig: Es gibt historische
|
meillo@8
|
240 Implementierungen, die nur -c und -f kennen. Dann gibt es
|
meillo@10
|
241 Implementierungen die -b zwar kennen, es aber lediglich als Alias
|
meillo@8
|
242 fuer -c handhaben. Diese Implementierungen funktionieren mit
|
meillo@8
|
243 Single-Byte-Encodings (z.B. US-ASCII, Latin1) korrekt, bei
|
meillo@17
|
244 Multibyte-Encodings (z.B. UTF-8) verhaelt sich ihr -c aber
|
meillo@8
|
245 wie -b (und -n wird ignoriert). Schliesslich gibt es noch
|
meillo@8
|
246 Implementierungen, die -b und -c tatsaechlich POSIX-konform
|
meillo@8
|
247 implementieren.
|
meillo@8
|
248
|
meillo@17
|
249 Historische Zwei-Modi-Implementierungen sind z.B. die von
|
meillo@8
|
250 System III, System V und die aller BSDs bis in die 90er.
|
meillo@8
|
251
|
meillo@10
|
252 Pseudo-Multibyte-Implementierungen bieten GNU und die
|
meillo@17
|
253 modernen NetBSDs und OpenBSDs. Man darf sich sicher fragen,
|
meillo@15
|
254 ob dort ein Schein von POSIX-Konformitaet gewahrt wird.
|
meillo@15
|
255 Teilweise findet man erst nach genauerer Suche heraus, dass
|
meillo@15
|
256 -c und -n nicht wie erwartet funktionieren; teilweise machen es
|
meillo@17
|
257 sich die Systeme auch einfach, indem sie auf
|
meillo@17
|
258 Singlebyte-Zeichenkodierungen beharren, das aber dafuer meist
|
meillo@17
|
259 klar darlegen:
|
meillo@8
|
260
|
meillo@15
|
261 Since we don't support multi-byte characters, the -c and -b
|
meillo@15
|
262 options are equivalent, and the -n option is meaningless.
|
meillo@8
|
263
|
meillo@16
|
264 [ http://cvsweb.openbsd.org/cgi-bin/cvsweb/src/usr.bin/cut/cut.c?rev=1.18&content-type=text/x-cvsweb-markup
|
meillo@8
|
265
|
meillo@8
|
266 Tatsaechlich standardkonforme Implementierungen, die
|
meillo@8
|
267 Multibytes korrekt handhaben, bekommt man bei einem modernen
|
meillo@8
|
268 FreeBSD und bei den Heirloom Tools. Bei FreeBSD hat Tim Robbins
|
meillo@9
|
269 im Sommer 2004 den Zeichenmodus POSIX-konform reimplementiert.
|
meillo@8
|
270 [ https://svnweb.freebsd.org/base?view=revision&revision=131194
|
meillo@8
|
271 Warum die beiden anderen grossen BSDs diese Aenderung nicht
|
meillo@8
|
272 uebernommen haben, bleibt offen. Es scheint aber an der im
|
meillo@8
|
273 obigen Kommentar formulierten Grundausrichtung zu liegen.
|
meillo@8
|
274
|
meillo@17
|
275 Wie findet man nun als Nutzer heraus, ob beim cut(1) des eigenen
|
meillo@8
|
276 Systems Multibytes korrekt unterstuetzt werden? Zuerst ist
|
meillo@8
|
277 entscheidend, ob das System selbst mit einem Multibyte-Encoding
|
meillo@17
|
278 arbeitet, denn tut es das nicht, dann entsprechen sich
|
meillo@9
|
279 Zeichen und Bytes und die Frage eruebrigt sich. Man kann das
|
meillo@9
|
280 herausfinden indem man sich das Locale anschaut, aber einfacher
|
meillo@9
|
281 ist es, ein typisches Mehrbytezeichen, wie z.B. einen Umlaut,
|
meillo@9
|
282 auszugeben und zu schauen ob dieses in einem oder in mehreren
|
meillo@9
|
283 Bytes kodiert ist:
|
meillo@8
|
284
|
meillo@8
|
285 $ echo ä | od -c
|
meillo@8
|
286 0000000 303 244 \n
|
meillo@8
|
287 0000003
|
meillo@8
|
288
|
meillo@8
|
289 In diesem Fall sind es zwei Bytes: oktal 303 und 244 . (Den
|
meillo@8
|
290 Zeilenumbruch fuegt echo(1) hinzu.)
|
meillo@8
|
291
|
meillo@9
|
292 Mit dem Programm iconv(1) kann man Text explizit in bestimmte
|
meillo@10
|
293 Kodierungen konvertieren. Hier Beispiele, wie die Ausgabe
|
meillo@10
|
294 bei Latin1 und wie sie bei UTF-8 aussieht.
|
meillo@8
|
295
|
meillo@8
|
296 $ echo ä | iconv -t latin1 | od -c
|
meillo@8
|
297 0000000 344 \n
|
meillo@8
|
298 0000002
|
meillo@8
|
299
|
meillo@8
|
300 $ echo ä | iconv -t utf8 | od -c
|
meillo@8
|
301 0000000 303 244 \n
|
meillo@8
|
302 0000003
|
meillo@8
|
303
|
meillo@8
|
304 Die Ausgabe auf dem eigenen System (ohne die iconv-Konvertierung)
|
meillo@8
|
305 wird recht sicher einer dieser beiden Ausgaben entsprechen.
|
meillo@8
|
306
|
meillo@8
|
307 Nun zum Test der cut-Implementierung. Hat man ein UTF-8-System,
|
meillo@17
|
308 dann sollte sich eine POSIX-konforme Implementierung folgendermassen
|
meillo@17
|
309 verhalten:
|
meillo@8
|
310
|
meillo@10
|
311 $ echo ä | ./cut -c 1 | od -c
|
meillo@10
|
312 0000000 303 244 \n
|
meillo@8
|
313 0000003
|
meillo@8
|
314
|
meillo@10
|
315 $ echo ä | ./cut -b 1 | od -c
|
meillo@10
|
316 0000000 303 \n
|
meillo@8
|
317 0000002
|
meillo@8
|
318
|
meillo@10
|
319 $ echo ä | ./cut -b 1 -n | od -c
|
meillo@10
|
320 0000000 \n
|
meillo@10
|
321 0000001
|
meillo@10
|
322
|
meillo@10
|
323 Bei einer Pseudo-POSIX-Implementierung ist die Ausgabe in
|
meillo@10
|
324 allen drei Faellen wie die mittlere: Es wird das erste Byte
|
meillo@10
|
325 ausgegeben.
|
meillo@8
|
326
|
meillo@8
|
327
|
meillo@8
|
328 Implementierungen
|
meillo@8
|
329
|
meillo@9
|
330 Nun ein Blick auf den Code. Betrachtet wird eine Auswahl an
|
meillo@9
|
331 Implementierungen.
|
meillo@9
|
332
|
meillo@9
|
333 Fuer einen ersten Eindruck ist der Umfang des Quellcodes
|
meillo@9
|
334 hilfreich. Typischerweise steigt dieser ueber die Jahre an. Diese
|
meillo@8
|
335 Beobachtung kann hier in der Tendenz, aber nicht in jedem Fall,
|
meillo@17
|
336 bestaetigt werden. Die POSIX-konforme Umsetzung des Zeichenmodus
|
meillo@17
|
337 erfordert zwangslaeufig mehr Code, deshalb sind diese
|
meillo@17
|
338 Implementierungen tendenziell umfangreicher.
|
meillo@8
|
339
|
meillo@8
|
340
|
meillo@9
|
341 SLOC Zeilen Bytes Gehoert zu Dateidatum Kategorie
|
meillo@9
|
342 -----------------------------------------------------------------
|
meillo@17
|
343 116 123 2966 System III 1980-04-11 (hist)
|
meillo@17
|
344 118 125 3038 4.3BSD-UWisc 1986-11-07 (hist)
|
meillo@17
|
345 200 256 5715 4.3BSD-Reno 1990-06-25 (hist)
|
meillo@17
|
346 200 270 6545 NetBSD 1993-03-21 (hist)
|
meillo@9
|
347 218 290 6892 OpenBSD 2008-06-27 (pseudo)
|
meillo@17
|
348 224 296 6920 FreeBSD 1994-05-27 (hist)
|
meillo@9
|
349 232 306 7500 NetBSD 2014-02-03 (pseudo)
|
meillo@9
|
350 340 405 7423 Heirloom 2012-05-20 (POSIX)
|
meillo@9
|
351 382 586 14175 GNU coreutils 1992-11-08 (pseudo)
|
meillo@9
|
352 391 479 10961 FreeBSD 2012-11-24 (POSIX)
|
meillo@9
|
353 588 830 23167 GNU coreutils 2015-05-01 (pseudo)
|
meillo@8
|
354
|
meillo@8
|
355
|
meillo@9
|
356 Das Kandidatenfeld teilt sich grob in vier Gruppen: (1) Die zwei
|
meillo@9
|
357 urspruenglichen Implementierungen, die sich nur minimal
|
meillo@9
|
358 unterscheiden, mit gut 100 SLOCs. (2) Die fuenf BSD-Versionen mit
|
meillo@9
|
359 gut 200 SLOCs. (3) Die zwei POSIX-konformen Programme und
|
meillo@17
|
360 die alte GNU-Version mit 340-390 SLOCs. Und schliesslich (4) die
|
meillo@17
|
361 moderne GNU-Variante mit fast 600 SLOCs.
|
meillo@8
|
362
|
meillo@9
|
363 Die Abweichung zwischen logischen Codezeilen (SLOC, ermittelt mit
|
meillo@9
|
364 SLOCcount) und der Anzahl von Zeilenumbruechen in der Datei (`wc
|
meillo@9
|
365 -l') erstreckt sich ueber einen Faktor von 1.06 bei den aeltesten
|
meillo@9
|
366 Vertretern bis zu Faktor 1.5 bei GNU. Der groesste
|
meillo@9
|
367 Einflussfaktor darauf sind Leerzeilen, reine Kommentarzeilen und
|
meillo@9
|
368 die Groesse des Lizenzblocks am Dateianfang.
|
meillo@8
|
369
|
meillo@9
|
370 Betrachtet man die Abweichungen zwischen den logischen Codezeilen
|
meillo@9
|
371 und der Dateigroesse (`wc -c'), so pendelt das Teilnehmerfeld
|
meillo@9
|
372 zwischen 25 und 30 Bytes je Anweisung. Die Heirloom-Implementierung
|
meillo@9
|
373 weicht mit nur 21 nach unten ab, die GNU-Implementierungen mit
|
meillo@17
|
374 fast 40 nach oben. Bei GNU liegt dies hauptsaechlich an deren
|
meillo@9
|
375 Programmierstil, mit spezieller Einrueckung und langen Bezeichnern.
|
meillo@9
|
376 Ob man die Heirloom-Implementierung als besonders kryptisch
|
meillo@9
|
377 oder als besonders elegant bezeichnen will, das soll der
|
meillo@9
|
378 eigenen Einschaetzung des Lesers ueberlassen bleiben.
|
meillo@8
|
379
|
meillo@8
|
380
|
meillo@17
|
381 Die interne Struktur der Programmcodes (in C) ist meist aehnlich.
|
meillo@17
|
382 Neben der obligatorischen main-Funktion, die die Kommandozeilenargumente
|
meillo@11
|
383 verarbeitet, gibt es im Normalfall eine Funktion, die die
|
meillo@13
|
384 Feldauswahl in eine interne Datenstruktur ueberfuehrt. Desweiteren
|
meillo@11
|
385 haben fast alle Implementierungen separate Funktionen fuer die
|
meillo@11
|
386 zwei bzw. drei Modi. Bei den POSIX-konformen Implementierungen
|
meillo@11
|
387 wird die `-b -n'-Kombination als weiterer Modus behandelt, und
|
meillo@11
|
388 damit in einer eigenen Funktion umgesetzt. Nur bei der fruehen
|
meillo@11
|
389 System III-Implementierung (und seiner 4.3BSD-UWisc-Variante)
|
meillo@17
|
390 wird ausser den Fehlerausgaben alles in der main-Funktion
|
meillo@17
|
391 erledigt.
|
meillo@11
|
392
|
meillo@15
|
393 Cut-Implementierungen haben typischerweise zwei limitierende
|
meillo@15
|
394 Groessen: Die Maximalanzahl unterstuetzter Felder und die maximale
|
meillo@17
|
395 Zeilenlaenge. Bei System III sind beide Groessen auf 512 begrenzt.
|
meillo@17
|
396 4.3BSD-Reno und die BSDs der 90er Jahre haben ebenfalls fixe
|
meillo@17
|
397 Grenzen (_BSD_LINE_MAX bzw. _POSIX2_LINE_MAX). Bei modernen
|
meillo@17
|
398 FreeBSDs, NetBSDs, bei allen GNU-Implementierungen und bei
|
meillo@17
|
399 Heirloom kann sowohl die Felderanzahl als auch die maximale
|
meillo@17
|
400 Zeilenlaenge beliebig gross werden; der Speicher dafür wird
|
meillo@17
|
401 dynamisch alloziiert. OpenBSD ist ein Hybrid aus fixer
|
meillo@17
|
402 Maximalzahl an Feldern, aber beliebiger Zeilenlaenge. Die
|
meillo@17
|
403 begrenzte Felderanzahl scheint jedoch kein Praxisproblem
|
meillo@17
|
404 darzustellen, da _POSIX2_LINE_MAX mit mindestens 2048 durchaus
|
meillo@17
|
405 gross genug sein sollte.
|
meillo@11
|
406
|
meillo@8
|
407
|
meillo@2
|
408 Beschreibungen
|
meillo@1
|
409
|
meillo@9
|
410 Interessant ist auch ein Vergleich der Kurzbeschreibungen von
|
meillo@17
|
411 cut, wie sie sich in der Titelzeile der Manpages oder manchmal
|
meillo@9
|
412 auch am Anfang der Quellcodedatei finden. Die folgende Liste
|
meillo@9
|
413 ist grob zeitlich geordnet und nach Abstammung gruppiert:
|
meillo@3
|
414
|
meillo@3
|
415
|
meillo@2
|
416 System III cut out selected fields of each line of a file
|
meillo@3
|
417 System III (src) cut and paste columns of a table (projection of a relation)
|
meillo@2
|
418 System V cut out selected fields of each line of a file
|
meillo@2
|
419 HP-UX cut out (extract) selected fields of each line of a file
|
meillo@2
|
420
|
meillo@3
|
421 4.3BSD-UWisc (src) cut and paste columns of a table (projection of a relation)
|
meillo@2
|
422 4.3BSD-Reno select portions of each line of a file
|
meillo@2
|
423 NetBSD select portions of each line of a file
|
meillo@7
|
424 OpenBSD 4.6 select portions of each line of a file
|
meillo@2
|
425 FreeBSD 1.0 select portions of each line of a file
|
meillo@10
|
426 FreeBSD 10.0 cut out selected portions of each line of a file
|
meillo@2
|
427 SunOS 4.1.3 remove selected fields from each line of a file
|
meillo@2
|
428 SunOS 5.5.1 cut out selected fields of each line of a file
|
meillo@2
|
429
|
meillo@8
|
430 Heirloom Tools cut out selected fields of each line of a file
|
meillo@9
|
431 Heirloom Tools (src) cut out fields of lines of files
|
meillo@2
|
432
|
meillo@2
|
433 GNU coreutils remove sections from each line of files
|
meillo@2
|
434
|
meillo@2
|
435 Minix select out columns of a file
|
meillo@2
|
436
|
meillo@2
|
437 Version 8 Unix rearrange columns of data
|
meillo@2
|
438 ``Unix Reader'' rearrange columns of text
|
meillo@2
|
439
|
meillo@9
|
440 POSIX cut out selected fields of each line of a file
|
meillo@2
|
441
|
meillo@9
|
442
|
meillo@9
|
443 Die mit ``(src)'' markierten Beschreibungen sind aus dem
|
meillo@17
|
444 jeweiligen Quellcode entnommen. Der POSIX-Eintrag enthaelt
|
meillo@17
|
445 die Beschreibung des Standards. Der ``Unix Reader'' ist ein
|
meillo@17
|
446 rueckblickendes Textdokument von Doug McIlroy, das das
|
meillo@17
|
447 Auftreten von Tools in der Geschichte des Research Unix zum
|
meillo@17
|
448 Thema hat.
|
meillo@16
|
449 [ http://doc.cat-v.org/unix/unix-reader/contents.pdf
|
meillo@17
|
450 Eigentlich sollte seine Beschreibung der in Version 8 Unix
|
meillo@17
|
451 entsprechen. Die Abweichung koennte sowohl ein
|
meillo@17
|
452 Uebertragungsfehler als auch eine nachtraegliche Korrektur
|
meillo@17
|
453 sein. Alle uebrigen Beschreibungen entstammen den Manpages.
|
meillo@5
|
454
|
meillo@9
|
455 Oft ist mit der Zeit die POSIX-Beschreibung uebernommen
|
meillo@17
|
456 oder an sie angeglichen worden, wie beispielsweise bei FreeBSD.
|
meillo@5
|
457 [ https://svnweb.freebsd.org/base?view=revision&revision=167101
|
meillo@5
|
458
|
meillo@7
|
459 Interessant ist, dass die GNU coreutils seit Anbeginn vom
|
meillo@5
|
460 Entfernen von Teilen der Eingabe sprechen, wohingegen die
|
meillo@5
|
461 Kommandozeilenangabe klar ein Auswaehlen darstellt. Die
|
meillo@17
|
462 Worte ``cut out'' sind vielleicht auch etwas zu
|
meillo@9
|
463 missverstaendlich. HP-UX hat sie deshalb praezisiert.
|
meillo@5
|
464
|
meillo@10
|
465 Auch beim Begriff, was selektiert wird, ist man sich
|
meillo@17
|
466 uneins. Die Einen reden von Feldern (POSIX), Andere von
|
meillo@17
|
467 Abschnitten bzw. Teilen (BSD) und wieder Andere von Spalten
|
meillo@5
|
468 (Research Unix). Ironischerweise leistet sich gerade Version
|
meillo@5
|
469 8 Unix, das eigentlich um eine sehr treffende Weltsicht
|
meillo@5
|
470 bemueht ist, mit ``rearrange columns of data'' die
|
meillo@5
|
471 unzutreffendste der Beschreibungen.
|
meillo@5
|
472
|
meillo@5
|
473
|
meillo@6
|
474 Autoreninfo
|
meillo@6
|
475
|
meillo@6
|
476 Markus Schnalke interessiert sich fuer die Hintergruende
|
meillo@6
|
477 von Unix und seinen Werkzeugen. Fuer die Erarbeitung dieses
|
meillo@6
|
478 Textes wurde er regelrecht zum Historiker.
|
meillo@6
|
479
|
meillo@6
|
480
|
meillo@6
|
481 Lizenz
|
meillo@10
|
482
|
meillo@6
|
483 CC0 (und kann damit auch unter CC BY-SA 4.0 Unported
|
meillo@6
|
484 veroeffentlicht werden)
|