grep 中的 Unicode 字符标识

Question

我发现了一个非常奇怪的行为，想知道是否有人知道是什么原因造成的。解释起来很长，所以感谢您的耐心等待。我正在Windows环境中运行一个bash脚本，通过cygwin调用。在其中，我基本上想在文件中找到任何行，这些行的字符在我定义的特定字母表中找不到，非常简单。由于我使用的是 Unicode 字符，因此我已设置

$ LC_ALL=en_US.UTF-8

我有一个名为"files.txt"的文件，其中包含以下内容：

$ cat files.txt
đđđ
üüü

我用普通字符和 Unicode 字符定义我的字母表：

$ ALPHABET=$(printf %s {a..z} $(printf "u0161") $(printf "u010d"))
$ echo $ALPHABET
abcdefghijklmnopqrstuvwxyzšč
$ grep -v "^[$ALPHABET ]*$" files.txt
đđđ
üüü

不出所料。问题尤其出现在字符"Ñ"（\u00d1）与"đ"（\u0111）的组合中：

$ ALPHABET=$(printf %s {a..z} $(printf "u00d1") $(printf "u0161") $(printf "u010d"))
$ echo $ALPHABET
abcdefghijklmnopqrstuvwxyzÑšč
$ grep -v "^[$ALPHABET ]*$" files.txt
üüü

有趣的是，在某些情况下，如果还添加了其他 Unicode 字符，才会发生这种情况。唯一不变的是"Ñ"必须在那里。

$ ALPHABET=$(printf %s {a..z} $(printf "u00d1"))
$ echo $ALPHABET
abcdefghijklmnopqrstuvwxyzÑ
$ grep -v "^[$ALPHABET ]*$" files.txt
đđđ
üüü
$ ALPHABET=$(printf %s {a..z} $(printf "u00d1") a $(printf "u010d"))
$ echo $ALPHABET
abcdefghijklmnopqrstuvwxyzÑač
$ grep -v "^[$ALPHABET ]*$" files.txt
üüü
$ ALPHABET=$(printf %s {a..z} $(printf "u010d") $(printf "u00d1"))
$ echo $ALPHABET
abcdefghijklmnopqrstuvwxyzčÑ
$ grep -v "^[$ALPHABET ]*$" files.txt
üüü
$ ALPHABET=$(printf %s {a..z} $(printf "u010d") $(printf "u010c"))
$ echo $ALPHABET
abcdefghijklmnopqrstuvwxyzčČ
$ grep -v "^[$ALPHABET ]*$" files.txt
đđđ
üüü
$ ALPHABET=$(printf %s {a..z} $(printf "u00d1") $(printf "u00e1") $(printf "u00c9"))
$ echo $ALPHABET
abcdefghijklmnopqrstuvwxyzÑáÉ
$ grep -v "^[$ALPHABET ]*$" files.txt
đđđ
üüü

我尝试了各种组合和排序，但无法准确确定哪种类型的组合决定了 grep 决定"đ"在模式中。我唯一发现的是"Ñ"必须存在以及其他一些其他 unicode 字符的排列方式，但我无法弄清楚这种其他排列必须是什么。

最后，如果我直接在cygwin终端中执行这些命令，事情就会正常工作。仅当我通过 Windows 批处理"C：\Tools\cygwin64\bin\bash.exe%SCRIPT%"调用此脚本的执行时，才会发生此行为。

有谁知道会发生什么？谢谢，非常感谢。

Answer 1

感谢 @n.m. 提供正确的答案！实际上，LC_ALL必须出口。一旦我这样做了，行为就符合预期，并且在我尝试的所有不同配置中都没有将 đ 识别为模式的一部分。所以而不是

$ LC_ALL=en_US.UTF-8

用：

$ export LC_ALL=en_US.UTF-8

不知道为什么会这样（因为所有命令都在同一终端中按顺序运行），但我想如果这就是它工作的原因，那就继续吧。感谢大家的帮助和建议，我意识到环境不容易复制。