| 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@8
|
50 Frueher, als US-ASCII als Zeichensatz und -kodierung
|
|
meillo@4
|
51 noch omnipraesent 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@10
|
68 Auch wenn der Bytemodus neu eingefuehrt wurde, so sollte er
|
|
meillo@10
|
69 sich doch nur so verhalten wie der alte Zeichenmodus normalerweise
|
|
meillo@10
|
70 implementiert war. Beim Zeichenmodus aber wurde durch POSIX.2
|
|
meillo@10
|
71 eine andere Implementierungsweise gefordert. Das Problem war
|
|
meillo@10
|
72 also nicht, den neuen Bytemodus zu implementieren, sondern
|
|
meillo@10
|
73 den Zeichenmodus neu zu implementieren.
|
|
meillo@10
|
74
|
|
meillo@10
|
75 Neben dem Zeichen- und Byte-Modus bietet cut noch den
|
|
meillo@8
|
76 Feld-Modus, 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@8
|
80 Der typische Anwendungsfall fuer cut im Feld-Modus ist die
|
|
meillo@8
|
81 Auswahl von Information aus der passwd-Datei. So z.B. der
|
|
meillo@10
|
82 Benutzername, seine ID und das Homeverzeichnis:
|
|
meillo@0
|
83
|
|
meillo@6
|
84 $ cut -d: -f1,3,6 /etc/passwd
|
|
meillo@9
|
85 root:0:/root
|
|
meillo@9
|
86 bin:1:/bin
|
|
meillo@9
|
87 daemon:2:/sbin
|
|
meillo@9
|
88 mail:8:/var/spool/mail
|
|
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@4
|
94 Dieser Feld-Modus 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@0
|
98 Der Delimiter kann nur genau ein Zeichen sein. Es kann also
|
|
meillo@0
|
99 nicht sowohl an Leerzeichen als auch an Tabs getrennt werden.
|
|
meillo@0
|
100 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@9
|
105 haben aber Erweiterungen, die das gewuenschte Verhalten fuer
|
|
meillo@8
|
106 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@9
|
119 der Manpage XXX von Version 8 Unix wiederzugeben: ``In data base
|
|
meillo@9
|
120 parlance, it projects a relation.''
|
|
meillo@9
|
121 [ XXX
|
|
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@8
|
143 aufstoebern konnte. Allerdings spricht die sccsid 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@10
|
149 Nun ein Blick auf die BSD-Linie: Dort ist mein
|
|
meillo@8
|
150 fruehester Fund ein cut.c mit dem Dateimodifikationsdatum
|
|
meillo@8
|
151 1986-11-07
|
|
meillo@8
|
152 [ http://minnie.tuhs.org/cgi-bin/utree.pl?file=4.3BSD-UWisc/src/usr.bin/cut
|
|
meillo@8
|
153 als Teil der Spezialversion 4.3BSD-UWisc,
|
|
meillo@6
|
154 [ http://gunkies.org/wiki/4.3_BSD_NFS_Wisconsin_Unix
|
|
meillo@6
|
155 die im Januar 1987 veroeffentlicht wurde.
|
|
meillo@8
|
156 Die Implementierung unterscheidet sich nur minimal von der
|
|
meillo@8
|
157 in System III.
|
|
meillo@8
|
158 Im bekannteren 4.3BSD-Tahoe (1988) taucht cut nicht auf.
|
|
meillo@8
|
159 Das darauf folgende 4.3BSD-Reno (1990) liefert aber wieder
|
|
meillo@8
|
160 ein cut mit aus. Dieses cut ist ein von Adam S. Moskowitz und
|
|
meillo@8
|
161 Marciano Pitargue neu implementiertes cut, das 1989 in BSD
|
|
meillo@8
|
162 aufgenommen wurde.
|
|
meillo@1
|
163 [ http://minnie.tuhs.org/cgi-bin/utree.pl?file=4.3BSD-Reno/src/usr.bin/cut
|
|
meillo@4
|
164 Seine Manpage
|
|
meillo@1
|
165 [ http://minnie.tuhs.org/cgi-bin/utree.pl?file=4.3BSD-Reno/src/usr.bin/cut/cut.1
|
|
meillo@4
|
166 erwaehnt bereits die erwartete Konformitaet mit POSIX.2.
|
|
meillo@15
|
167 XXX 2 oder 3 modi? Draft 9: 2 modi? Draft 11.2 hat 3 modi!
|
|
meillo@4
|
168 Nun sollte man wissen, dass POSIX.2 erst im September
|
|
meillo@10
|
169 1992 veroeffentlicht wurde, also gut zwei Jahren nachdem die
|
|
meillo@8
|
170 Manpage und das Programm geschrieben wurden. Das Programm
|
|
meillo@10
|
171 wurde folglich anhand von Arbeitsversionen des Standards
|
|
meillo@15
|
172 implementiert. Ein Blick in den Code bekraeftigt diese Vermutung.
|
|
meillo@15
|
173 In der Funktion zum parsen der Feldauswahlliste findet sich
|
|
meillo@15
|
174 dieser Kommentar:
|
|
meillo@0
|
175
|
|
meillo@15
|
176 This parser is less restrictive than the Draft 9 POSIX spec.
|
|
meillo@15
|
177 POSIX doesn't allow lists that aren't in increasing order or
|
|
meillo@15
|
178 overlapping lists.
|
|
meillo@9
|
179
|
|
meillo@15
|
180 Im Draft 11.2 (1991-09) fordert POSIX diese Flexibilitaet bereits
|
|
meillo@15
|
181 ein:
|
|
meillo@12
|
182
|
|
meillo@15
|
183 The elements in list can be repeated, can overlap, and can
|
|
meillo@15
|
184 be specified in any order.
|
|
meillo@15
|
185
|
|
meillo@15
|
186 Die Versionsnummern und Aenderungsdatums der aelteren
|
|
meillo@15
|
187 BSD-Implementierungen kann man aus den SCCS-IDs (die vom
|
|
meillo@15
|
188 damaligen Versionskontrollsystem in den Code eingefuegt wurden)
|
|
meillo@15
|
189 ablesen. So z.B. bei 4.3BSD-Reno: ``5.3 (Berkeley) 6/24/90''.
|
|
meillo@12
|
190
|
|
meillo@12
|
191 Das cut der GNU Coreutils enthaelt folgenden Copyrightvermerk:
|
|
meillo@12
|
192
|
|
meillo@12
|
193 Copyright (C) 1997-2015 Free Software Foundation, Inc.
|
|
meillo@12
|
194 Copyright (C) 1984 David M. Ihnat
|
|
meillo@12
|
195
|
|
meillo@12
|
196 Der Code hat also ziemlich alte Urspruenge. Wie aus weiteren
|
|
meillo@12
|
197 Kommentaren zu entnehmen ist, wurde der Code zuerst von David
|
|
meillo@12
|
198 MacKenzie und spaeter von Jim Meyering ueberarbeitet. Letzterer
|
|
meillo@12
|
199 hat den Code 1992 auch ins Versionkontrollsystem eingestellt.
|
|
meillo@12
|
200 Weshalb die Jahre zwischen 1992 und 1997 nicht im Copyright-Vermerk
|
|
meillo@12
|
201 auftauchen, ist unklar.
|
|
meillo@12
|
202
|
|
meillo@12
|
203 Trotz der vielen Jahreszahlen aus den 80er Jahren gehoert cut,
|
|
meillo@10
|
204 aus Sicht des urspruenglichen Unix, zu den juengeren Tools.
|
|
meillo@1
|
205 Wenn cut auch ein Jahrzehnt aelter als Linux, der Kernel, ist,
|
|
meillo@4
|
206 so war Unix doch schon ueber zehn Jahre alt, als cut das
|
|
meillo@9
|
207 erste Mal auftauchte. Insbesondere gehoerte cut auch noch nicht
|
|
meillo@4
|
208 zu Version 7 Unix, das die Ausgangsbasis aller modernen
|
|
meillo@4
|
209 Unix-Systeme darstellt. Die weit komplexeren Programme sed
|
|
meillo@4
|
210 und awk waren dort schon vertreten. Man muss sich also
|
|
meillo@4
|
211 fragen, warum cut ueberhaupt noch entwickelt wurde, wo es
|
|
meillo@9
|
212 schon zwei Programme gab, die die Funktion von cut abdecken
|
|
meillo@9
|
213 konnten. Ein Argument fuer cut war sicher seine Kompaktheit und
|
|
meillo@4
|
214 die damit verbundene Geschwindigkeit gegenueber dem damals
|
|
meillo@4
|
215 traegen awk. Diese schlanke Gestalt ist es auch, die der Unix
|
|
meillo@4
|
216 Philosopie entspricht: Mache eine Aufgabe und die richtig!
|
|
meillo@9
|
217 Cut ueberzeugte. Es wurde in andere Unix Varianten uebernommen,
|
|
meillo@9
|
218 standardisiert und ist heutzutage ueberall anzutreffen.
|
|
meillo@1
|
219
|
|
meillo@9
|
220 Die urspruengliche Variante (ohne -b) wurde schon 1985 in
|
|
meillo@5
|
221 der System V Interface Definition, einer wichtigen formalen
|
|
meillo@9
|
222 Beschreibung von UNIX System V, spezifiziert und tauchte
|
|
meillo@9
|
223 anschliessend in allen relevanten Standards auf. Mit POSIX.2
|
|
meillo@9
|
224 im Jahre 1992 wurde cut zum ersten Mal in der heutigen Form
|
|
meillo@9
|
225 (mit -b) standardisiert.
|
|
meillo@15
|
226 XXX sicher?
|
|
meillo@1
|
227
|
|
meillo@1
|
228
|
|
meillo@9
|
229 Multibyte-Unterstuetzung
|
|
meillo@8
|
230
|
|
meillo@8
|
231 Nun sind der Bytemodus und die damit verbundene
|
|
meillo@8
|
232 Multibyte-Verarbeitung des POSIX-Zeichenmodus bereits seit
|
|
meillo@8
|
233 1992 standardisiert, wie steht es aber mit deren Umsetzung?
|
|
meillo@10
|
234 Welche Versionen implementieren POSIX korrekt?
|
|
meillo@9
|
235 Die Situation ist dreiteilig: Es gibt traditionelle
|
|
meillo@8
|
236 Implementierungen, die nur -c und -f kennen. Dann gibt es
|
|
meillo@10
|
237 Implementierungen die -b zwar kennen, es aber lediglich als Alias
|
|
meillo@8
|
238 fuer -c handhaben. Diese Implementierungen funktionieren mit
|
|
meillo@8
|
239 Single-Byte-Encodings (z.B. US-ASCII, Latin1) korrekt, bei
|
|
meillo@8
|
240 Multi-Byte-Encodings (z.B. UTF-8) verhaelt sich ihr -c aber
|
|
meillo@8
|
241 wie -b (und -n wird ignoriert). Schliesslich gibt es noch
|
|
meillo@8
|
242 Implementierungen, die -b und -c tatsaechlich POSIX-konform
|
|
meillo@8
|
243 implementieren.
|
|
meillo@8
|
244
|
|
meillo@8
|
245 Traditionelle Zwei-Modi-Implementierungen sind z.B. die von
|
|
meillo@8
|
246 System III, System V und die aller BSDs bis in die 90er.
|
|
meillo@8
|
247
|
|
meillo@10
|
248 Pseudo-Multibyte-Implementierungen bieten GNU und die
|
|
meillo@15
|
249 modernen NetBSDs und OpenBSDs. Man darf sich durchaus fragen,
|
|
meillo@15
|
250 ob dort ein Schein von POSIX-Konformitaet gewahrt wird.
|
|
meillo@15
|
251 Teilweise findet man erst nach genauerer Suche heraus, dass
|
|
meillo@15
|
252 -c und -n nicht wie erwartet funktionieren; teilweise machen es
|
|
meillo@15
|
253 sich die System auch einfach, indem sie auf
|
|
meillo@15
|
254 Singlebyte-Zeichenkodierungen beharren, das aber dafuer klar
|
|
meillo@15
|
255 darlegen:
|
|
meillo@8
|
256
|
|
meillo@15
|
257 Since we don't support multi-byte characters, the -c and -b
|
|
meillo@15
|
258 options are equivalent, and the -n option is meaningless.
|
|
meillo@8
|
259
|
|
meillo@15
|
260 [ openbsd XXX
|
|
meillo@8
|
261
|
|
meillo@8
|
262 Tatsaechlich standardkonforme Implementierungen, die
|
|
meillo@8
|
263 Multibytes korrekt handhaben, bekommt man bei einem modernen
|
|
meillo@8
|
264 FreeBSD und bei den Heirloom Tools. Bei FreeBSD hat Tim Robbins
|
|
meillo@9
|
265 im Sommer 2004 den Zeichenmodus POSIX-konform reimplementiert.
|
|
meillo@8
|
266 [ https://svnweb.freebsd.org/base?view=revision&revision=131194
|
|
meillo@8
|
267 Warum die beiden anderen grossen BSDs diese Aenderung nicht
|
|
meillo@8
|
268 uebernommen haben, bleibt offen. Es scheint aber an der im
|
|
meillo@8
|
269 obigen Kommentar formulierten Grundausrichtung zu liegen.
|
|
meillo@8
|
270
|
|
meillo@8
|
271 Wie findet man als Nutzer heraus, ob beim cut(1) des eigenen
|
|
meillo@8
|
272 Systems Multibytes korrekt unterstuetzt werden? Zuerst ist
|
|
meillo@8
|
273 entscheidend, ob das System selbst mit einem Multibyte-Encoding
|
|
meillo@9
|
274 arbeitet, denn tut es das nicht, dann entsprechen sich naemlich
|
|
meillo@9
|
275 Zeichen und Bytes und die Frage eruebrigt sich. Man kann das
|
|
meillo@9
|
276 herausfinden indem man sich das Locale anschaut, aber einfacher
|
|
meillo@9
|
277 ist es, ein typisches Mehrbytezeichen, wie z.B. einen Umlaut,
|
|
meillo@9
|
278 auszugeben und zu schauen ob dieses in einem oder in mehreren
|
|
meillo@9
|
279 Bytes kodiert ist:
|
|
meillo@8
|
280
|
|
meillo@8
|
281 $ echo ä | od -c
|
|
meillo@8
|
282 0000000 303 244 \n
|
|
meillo@8
|
283 0000003
|
|
meillo@8
|
284
|
|
meillo@8
|
285 In diesem Fall sind es zwei Bytes: oktal 303 und 244 . (Den
|
|
meillo@8
|
286 Zeilenumbruch fuegt echo(1) hinzu.)
|
|
meillo@8
|
287
|
|
meillo@9
|
288 Mit dem Programm iconv(1) kann man Text explizit in bestimmte
|
|
meillo@10
|
289 Kodierungen konvertieren. Hier Beispiele, wie die Ausgabe
|
|
meillo@10
|
290 bei Latin1 und wie sie bei UTF-8 aussieht.
|
|
meillo@8
|
291
|
|
meillo@8
|
292 $ echo ä | iconv -t latin1 | od -c
|
|
meillo@8
|
293 0000000 344 \n
|
|
meillo@8
|
294 0000002
|
|
meillo@8
|
295
|
|
meillo@8
|
296 $ echo ä | iconv -t utf8 | od -c
|
|
meillo@8
|
297 0000000 303 244 \n
|
|
meillo@8
|
298 0000003
|
|
meillo@8
|
299
|
|
meillo@8
|
300 Die Ausgabe auf dem eigenen System (ohne die iconv-Konvertierung)
|
|
meillo@8
|
301 wird recht sicher einer dieser beiden Ausgaben entsprechen.
|
|
meillo@8
|
302
|
|
meillo@8
|
303 Nun zum Test der cut-Implementierung. Hat man ein UTF-8-System,
|
|
meillo@8
|
304 dann sollte sich eine POSIX-konforme Implementierung so verhalten:
|
|
meillo@8
|
305
|
|
meillo@10
|
306 $ echo ä | ./cut -c 1 | od -c
|
|
meillo@10
|
307 0000000 303 244 \n
|
|
meillo@8
|
308 0000003
|
|
meillo@8
|
309
|
|
meillo@10
|
310 $ echo ä | ./cut -b 1 | od -c
|
|
meillo@10
|
311 0000000 303 \n
|
|
meillo@8
|
312 0000002
|
|
meillo@8
|
313
|
|
meillo@10
|
314 $ echo ä | ./cut -b 1 -n | od -c
|
|
meillo@10
|
315 0000000 \n
|
|
meillo@10
|
316 0000001
|
|
meillo@10
|
317
|
|
meillo@10
|
318 Bei einer Pseudo-POSIX-Implementierung ist die Ausgabe in
|
|
meillo@10
|
319 allen drei Faellen wie die mittlere: Es wird das erste Byte
|
|
meillo@10
|
320 ausgegeben.
|
|
meillo@8
|
321
|
|
meillo@8
|
322
|
|
meillo@8
|
323 Implementierungen
|
|
meillo@8
|
324
|
|
meillo@9
|
325 Nun ein Blick auf den Code. Betrachtet wird eine Auswahl an
|
|
meillo@9
|
326 Implementierungen.
|
|
meillo@9
|
327
|
|
meillo@9
|
328 Fuer einen ersten Eindruck ist der Umfang des Quellcodes
|
|
meillo@9
|
329 hilfreich. Typischerweise steigt dieser ueber die Jahre an. Diese
|
|
meillo@8
|
330 Beobachtung kann hier in der Tendenz, aber nicht in jedem Fall,
|
|
meillo@9
|
331 bestaetigt werden. Die Unterstuetzung des Byte-Modus (-b)
|
|
meillo@9
|
332 erfordert zwangslaeufig mehr Code, deshalb sind die
|
|
meillo@9
|
333 POSIX-konformen Implementierungen tendenziell umfangreicher.
|
|
meillo@8
|
334
|
|
meillo@8
|
335
|
|
meillo@9
|
336 SLOC Zeilen Bytes Gehoert zu Dateidatum Kategorie
|
|
meillo@9
|
337 -----------------------------------------------------------------
|
|
meillo@9
|
338 116 123 2966 System III 1980-04-11 (trad)
|
|
meillo@9
|
339 118 125 3038 4.3BSD-UWisc 1986-11-07 (trad)
|
|
meillo@9
|
340 200 256 5715 4.3BSD-Reno 1990-06-25 (trad)
|
|
meillo@9
|
341 200 270 6545 NetBSD 1993-03-21 (trad)
|
|
meillo@9
|
342 218 290 6892 OpenBSD 2008-06-27 (pseudo)
|
|
meillo@9
|
343 224 296 6920 FreeBSD 1994-05-27 (trad)
|
|
meillo@9
|
344 232 306 7500 NetBSD 2014-02-03 (pseudo)
|
|
meillo@9
|
345 340 405 7423 Heirloom 2012-05-20 (POSIX)
|
|
meillo@9
|
346 382 586 14175 GNU coreutils 1992-11-08 (pseudo)
|
|
meillo@9
|
347 391 479 10961 FreeBSD 2012-11-24 (POSIX)
|
|
meillo@9
|
348 588 830 23167 GNU coreutils 2015-05-01 (pseudo)
|
|
meillo@9
|
349 XXX verlinken
|
|
meillo@8
|
350
|
|
meillo@8
|
351
|
|
meillo@9
|
352 Das Kandidatenfeld teilt sich grob in vier Gruppen: (1) Die zwei
|
|
meillo@9
|
353 urspruenglichen Implementierungen, die sich nur minimal
|
|
meillo@9
|
354 unterscheiden, mit gut 100 SLOCs. (2) Die fuenf BSD-Versionen mit
|
|
meillo@9
|
355 gut 200 SLOCs. (3) Die zwei POSIX-konformen Programme und
|
|
meillo@9
|
356 die alte GNU-Version mit 340-390 SLOCs. Und (4) die moderne
|
|
meillo@9
|
357 GNU-Variante mit fast 600 SLOCs.
|
|
meillo@8
|
358
|
|
meillo@9
|
359 Die Abweichung zwischen logischen Codezeilen (SLOC, ermittelt mit
|
|
meillo@9
|
360 SLOCcount) und der Anzahl von Zeilenumbruechen in der Datei (`wc
|
|
meillo@9
|
361 -l') erstreckt sich ueber einen Faktor von 1.06 bei den aeltesten
|
|
meillo@9
|
362 Vertretern bis zu Faktor 1.5 bei GNU. Der groesste
|
|
meillo@9
|
363 Einflussfaktor darauf sind Leerzeilen, reine Kommentarzeilen und
|
|
meillo@9
|
364 die Groesse des Lizenzblocks am Dateianfang.
|
|
meillo@8
|
365
|
|
meillo@9
|
366 Betrachtet man die Abweichungen zwischen den logischen Codezeilen
|
|
meillo@9
|
367 und der Dateigroesse (`wc -c'), so pendelt das Teilnehmerfeld
|
|
meillo@9
|
368 zwischen 25 und 30 Bytes je Anweisung. Die Heirloom-Implementierung
|
|
meillo@9
|
369 weicht mit nur 21 nach unten ab, die GNU-Implementierungen mit
|
|
meillo@10
|
370 fast 40 nach oben. Dies liegt bei GNU hauptsaechlich an deren
|
|
meillo@9
|
371 Programmierstil, mit spezieller Einrueckung und langen Bezeichnern.
|
|
meillo@9
|
372 Ob man die Heirloom-Implementierung als besonders kryptisch
|
|
meillo@9
|
373 oder als besonders elegant bezeichnen will, das soll der
|
|
meillo@9
|
374 eigenen Einschaetzung des Lesers ueberlassen bleiben.
|
|
meillo@8
|
375
|
|
meillo@8
|
376
|
|
meillo@11
|
377 Die interne Struktur des C-Codes ist meist aehnlich. Neben der
|
|
meillo@11
|
378 obligatorischen main-Funktion, die die Kommandozeilenargumente
|
|
meillo@11
|
379 verarbeitet, gibt es im Normalfall eine Funktion, die die
|
|
meillo@13
|
380 Feldauswahl in eine interne Datenstruktur ueberfuehrt. Desweiteren
|
|
meillo@11
|
381 haben fast alle Implementierungen separate Funktionen fuer die
|
|
meillo@11
|
382 zwei bzw. drei Modi. Bei den POSIX-konformen Implementierungen
|
|
meillo@11
|
383 wird die `-b -n'-Kombination als weiterer Modus behandelt, und
|
|
meillo@11
|
384 damit in einer eigenen Funktion umgesetzt. Nur bei der fruehen
|
|
meillo@11
|
385 System III-Implementierung (und seiner 4.3BSD-UWisc-Variante)
|
|
meillo@13
|
386 wird ausser den Fehlerausgaben nichts aus der main-Funktion
|
|
meillo@13
|
387 ausgelagert.
|
|
meillo@11
|
388
|
|
meillo@15
|
389 Cut-Implementierungen haben typischerweise zwei limitierende
|
|
meillo@15
|
390 Groessen: Die Maximalanzahl unterstuetzter Felder und die maximale
|
|
meillo@15
|
391 Zeilenlaenge. Bei System III ist die Anzahl der moeglichen Felder
|
|
meillo@15
|
392 und ebenso die Zeilenlaenge auf 512 begrenzt. 4.3BSD-Reno und die
|
|
meillo@15
|
393 BSDs der 90er Jahre haben ebenfalls fixe Grenzen (_BSD_LINE_MAX
|
|
meillo@12
|
394 bzw. _POSIX2_LINE_MAX). Bei modernen FreeBSDs, NetBSDs, bei
|
|
meillo@12
|
395 allen GNU-Implementierungen und bei Heirloom kann sowohl
|
|
meillo@12
|
396 die Felderanzahl als auch die maximale Zeilenlaenge beliebig
|
|
meillo@12
|
397 gross werden; der Speicher dafür wird dynamisch alloziiert.
|
|
meillo@12
|
398 OpenBSD ist ein Hybrid aus fixer Maximalzahl an Feldern, aber
|
|
meillo@15
|
399 beliebiger Zeilenlaenge. XXX fgetln
|
|
meillo@15
|
400 Die begrenzte Felderanzahl scheint jedeoch kein praktisches
|
|
meillo@15
|
401 Problem darzustellen, da _POSIX2_LINE_MAX mit mindestens 2048
|
|
meillo@15
|
402 durchaus genug Platz bieten sollte.
|
|
meillo@11
|
403
|
|
meillo@8
|
404
|
|
meillo@2
|
405 Beschreibungen
|
|
meillo@1
|
406
|
|
meillo@9
|
407 Interessant ist auch ein Vergleich der Kurzbeschreibungen von
|
|
meillo@9
|
408 cut, wie sie sich in der Titelzeile von Manpages oder manchmal
|
|
meillo@9
|
409 auch am Anfang der Quellcodedatei finden. Die folgende Liste
|
|
meillo@9
|
410 ist grob zeitlich geordnet und nach Abstammung gruppiert:
|
|
meillo@3
|
411
|
|
meillo@3
|
412
|
|
meillo@2
|
413 System III cut out selected fields of each line of a file
|
|
meillo@3
|
414 System III (src) cut and paste columns of a table (projection of a relation)
|
|
meillo@2
|
415 System V cut out selected fields of each line of a file
|
|
meillo@2
|
416 HP-UX cut out (extract) selected fields of each line of a file
|
|
meillo@2
|
417
|
|
meillo@3
|
418 4.3BSD-UWisc (src) cut and paste columns of a table (projection of a relation)
|
|
meillo@2
|
419 4.3BSD-Reno select portions of each line of a file
|
|
meillo@2
|
420 NetBSD select portions of each line of a file
|
|
meillo@7
|
421 OpenBSD 4.6 select portions of each line of a file
|
|
meillo@2
|
422 FreeBSD 1.0 select portions of each line of a file
|
|
meillo@10
|
423 FreeBSD 10.0 cut out selected portions of each line of a file
|
|
meillo@2
|
424 SunOS 4.1.3 remove selected fields from each line of a file
|
|
meillo@2
|
425 SunOS 5.5.1 cut out selected fields of each line of a file
|
|
meillo@2
|
426
|
|
meillo@8
|
427 Heirloom Tools cut out selected fields of each line of a file
|
|
meillo@9
|
428 Heirloom Tools (src) cut out fields of lines of files
|
|
meillo@2
|
429
|
|
meillo@2
|
430 GNU coreutils remove sections from each line of files
|
|
meillo@2
|
431
|
|
meillo@2
|
432 Minix select out columns of a file
|
|
meillo@2
|
433
|
|
meillo@2
|
434 Version 8 Unix rearrange columns of data
|
|
meillo@2
|
435 ``Unix Reader'' rearrange columns of text
|
|
meillo@2
|
436
|
|
meillo@9
|
437 POSIX cut out selected fields of each line of a file
|
|
meillo@2
|
438
|
|
meillo@9
|
439
|
|
meillo@9
|
440 Die mit ``(src)'' markierten Beschreibungen sind aus dem
|
|
meillo@9
|
441 jeweiligen Quellcode entnommen.
|
|
meillo@9
|
442 Der POSIX-Eintrag enthaelt die Beschreibung des Standards.
|
|
meillo@9
|
443 Der ``Unix Reader'' ist ein rueckblickendes Textdokument von
|
|
meillo@5
|
444 Doug McIlroy, das das Auftreten von Tools in der Geschichte
|
|
meillo@9
|
445 des Research Unix zum Thema hat.
|
|
meillo@9
|
446 [ XXX
|
|
meillo@9
|
447 Eigentlich sollte seine
|
|
meillo@9
|
448 Beschreibung der in Version 8 Unix entsprechen. Die
|
|
meillo@9
|
449 Abweichung koennte sowohl ein Uebertragungsfehler als auch
|
|
meillo@9
|
450 eine nachtraegliche Korrektur sein.
|
|
meillo@9
|
451 Alle uebrigen Beschreibungen entstammen den Manpages.
|
|
meillo@5
|
452
|
|
meillo@9
|
453 Oft ist mit der Zeit die POSIX-Beschreibung uebernommen
|
|
meillo@5
|
454 worden, wie beispielsweise bei FreeBSD zu sehen.
|
|
meillo@5
|
455 [ https://svnweb.freebsd.org/base?view=revision&revision=167101
|
|
meillo@9
|
456 XXX fixme!
|
|
meillo@5
|
457
|
|
meillo@7
|
458 Interessant ist, dass die GNU coreutils seit Anbeginn vom
|
|
meillo@5
|
459 Entfernen von Teilen der Eingabe sprechen, wohingegen die
|
|
meillo@5
|
460 Kommandozeilenangabe klar ein Auswaehlen darstellt. Die
|
|
meillo@10
|
461 Worte ``cut out'' sind vielleicht auch nur etwas zu
|
|
meillo@9
|
462 missverstaendlich. HP-UX hat sie deshalb praezisiert.
|
|
meillo@5
|
463
|
|
meillo@10
|
464 Auch beim Begriff, was selektiert wird, ist man sich
|
|
meillo@5
|
465 uneins. Die einen reden von Feldern (POSIX), andere von
|
|
meillo@5
|
466 Abschnitten bzw. Teilen (BSD) und wieder andere von Spalten
|
|
meillo@5
|
467 (Research Unix). Ironischerweise leistet sich gerade Version
|
|
meillo@5
|
468 8 Unix, das eigentlich um eine sehr treffende Weltsicht
|
|
meillo@5
|
469 bemueht ist, mit ``rearrange columns of data'' die
|
|
meillo@5
|
470 unzutreffendste der Beschreibungen.
|
|
meillo@5
|
471
|
|
meillo@5
|
472
|
|
meillo@6
|
473 Autoreninfo
|
|
meillo@6
|
474
|
|
meillo@6
|
475 Markus Schnalke interessiert sich fuer die Hintergruende
|
|
meillo@6
|
476 von Unix und seinen Werkzeugen. Fuer die Erarbeitung dieses
|
|
meillo@6
|
477 Textes wurde er regelrecht zum Historiker.
|
|
meillo@6
|
478
|
|
meillo@6
|
479
|
|
meillo@6
|
480 Lizenz
|
|
meillo@10
|
481
|
|
meillo@6
|
482 CC0 (und kann damit auch unter CC BY-SA 4.0 Unported
|
|
meillo@6
|
483 veroeffentlicht werden)
|
