sort_by_alpha Ordenador de Linhas e Removedor de Duplicados star

Por Que "item10" Aparece Antes de "item2" numa Ordenação Alfabética Simples

Uma ordenação padrão — o tipo por trás do método Array.sort() em JavaScript ou do botão A→Z numa folha de cálculo — compara duas linhas carácter a carácter, da esquerda para a direita, usando o ponto de código Unicode de cada carácter. Não interpreta uma sequência de dígitos como um número inteiro; apenas verifica se um carácter é menor ou maior que outro, uma posição de cada vez. É por isso que uma lista contendo item1, item2, item9, item10 e item20 é ordenada, carácter a carácter, como item1, item10, item2, item20, item9: ao comparar "item10" e "item2" letra a letra, as sequências são idênticas até "item", e o carácter seguinte decide tudo — "1" contra "2". Como o carácter "1" é menor que o carácter "2", item10 fica antes de item2, mesmo que dez seja numericamente maior que dois. Qualquer lista em que apareçam números dentro de texto sofre deste problema: números de versão, nomes de ficheiros como image2.jpg e image10.jpg, números de fatura e instruções passo a passo.

A ordenação natural — também chamada ordenação numérica — resolve isto reconhecendo uma sequência de dígitos consecutivos como um único número e comparando o seu valor em vez de comparar os dígitos um carácter de cada vez. A opção de ordenação natural desta ferramenta delega essa lógica à API Intl integrada no navegador, executando a.localeCompare(b, undefined, {numeric: true, sensitivity: "base"}) em cada par de linhas. A flag numeric:true diz à comparação para detetar sequências de dígitos e tratá-las como números, para que item2 fique corretamente antes de item10, e item9 antes de item20 — a ordem que uma pessoa a ler a lista esperaria, não a ordem que uma comparação carácter a carácter produz.

Comparação Sensível ao Idioma, Não Apenas Códigos de Carácter

A ordem alfabética também depende das regras do idioma que são aplicadas, e é aqui que uma comparação simples falha mesmo sem números envolvidos. Em inglês, "a" e "A" são a mesma letra em duas capitalizações, e letras acentuadas como é costumam ser ordenadas perto de e. O turco, no entanto, trata "ı" (i sem ponto) e "i" (i com ponto) como duas letras distintas, cada uma com a sua própria posição no alfabeto — uma distinção que uma comparação bruta de pontos de código, que apenas verifica valores numéricos Unicode, não tem forma de conhecer. O localeCompare, o mesmo método Intl por trás da opção de ordenação natural, tem em conta as regras do idioma: com sensitivity: "base" trata as diferenças de maiúsculas/minúsculas e de acentuação como equivalentes para fins de ordenação, respeitando ainda a ordem real das letras de cada alfabeto, seja esse alfabeto o inglês, o turco, o alemão ou outro idioma de escrita latina.

Esta ferramenta combina ambas as preocupações numa só passagem: escolha a ordem alfabética A→Z ou Z→A como base, opcionalmente sobreponha a ordenação numérica natural para que os números incorporados sejam comparados por valor em vez de por dígito, e depois, opcionalmente, remova linhas duplicadas, linhas em branco e espaços em branco no início ou no fim. Como a deteção de duplicados compara as linhas como sequências exatas, aparar os espaços importa: "apple" e "apple " (com um espaço no fim) parecem diferentes numa verificação de duplicados a menos que o espaço final seja removido primeiro, por isso as opções de aparar e de remover duplicados foram concebidas para funcionar em conjunto, e não como interruptores independentes.