Linux 格式化输出：从数据契约到终端、分页与多后端排版

上一部分把文本拆成记录、字段和键，并用流水线完成筛选、排序与聚合。现在数据已经算对了，新的问题才刚出现：同一组值怎样排成读得懂的报告，长段落怎样适应宽度，表格怎样对齐，分页怎样预览，一份标记又怎样分别生成终端文本、HTML 或 PDF。

格式化不是“让输出好看一点”这么简单。只要结果要被人阅读、被脚本继续处理或交给另一种媒介，布局就成了接口的一部分。字段被截断、中文宽度算错、小数点随 locale 改变、颜色转义被折断，都可能让内容本身失真。

我们用一条贯穿全文的判断线来处理这些问题：先确认数据内容，再声明布局规则，最后选择目标媒介。工具只是这三项契约确定之后的实现。

先把格式化问题拆成三份契约

数据内容与布局规则必须分开

先看一条常见输出：

阿青    7    91.5
小林   12     8.0

这里至少混着两类信息。阿青、7、91.5 是数据；列顺序、字段宽度、右对齐和小数位数是布局。如果我们靠手工空格把它们粘在一起，下游很难知道连续空格是分隔符、填充，还是某个字段的真实内容。

更可靠的做法是先保留结构，再在展示边界上格式化。例如源数据用 TAB 或明确分隔符保存，最后一步才用 column 或 printf 生成阅读版。机器接口和人类报告最好分成两个输出：前者强调可解析，后者强调可读。

一份格式契约至少回答：

目标媒介决定“宽度”究竟是什么

终端、纯文本文件、HTML 和 PDF 对宽度的理解并不相同。终端通常按单元格显示：ASCII 字母多占一列，常见中文多占两列，TAB 跳到下一个制表位，ANSI SGR 序列改变样式却不应占可见列。纯文本文件只保存字节，不保存“这段文字应该有多宽”的统一答案。

HTML 由浏览器、CSS 和字体共同排版；PDF 则需要确定页面尺寸、字体字形与坐标。一个在终端对齐的空格表，换成比例字体后通常会散开；一份能输出 UTF-8 字节的文档，如果所选 PDF 字体没有相应字形，仍会缺字。

所以，“宽 40”必须带单位和媒介：

• fold -w 40 默认谈终端显示列。
• fold -b -w 40 明确谈 40 个字节。
• printf '%40s' 的宽度语义受实现、locale 和转换类型影响。
• CSS 的 40ch 是字体中数字零的推进宽度，不等同于 40 个 Unicode 字符。
• groff 的行长和页面尺寸属于排版设备模型。

fmt：先理解段落，再重新选择换行点

段落、空行和缩进是 fmt 的输入语法

fmt 从文件或标准输入读取文本，把同一段落中的短行合并，再按目标宽度重新断行。它不是简单地对每一行做截断；它会先观察空行和缩进。

LC_ALL=C.utf8 fmt -w 60 notes.txt

默认情况下，空行仍是段落边界；相邻行的缩进不同，就不会被随意合并。这个规则适合整理自然语言草稿，也适合保持引用块、列表说明和代码旁注的左边界。

几个常用选项解决不同意图：

-p 的价值不是“识别任意编程语言”，而是明确指定一段前缀契约。它会剥离前缀、格式化正文，再把前缀放回每条输出行。如果注释前缀不一致，先统一输入再重排。

目标宽度不是对任意 Unicode 文本的硬切刀

隔离环境中对一段中英文混排文本执行 fmt -w 34，英语部分会在单词边界重新组合，但连续中文句子仍达到 62 个显示列，无空白的长单词也整行保留。原因很直接：fmt 面向段落与词边界，它不会为了凑宽度就随意从一个词或连续文本内部下刀。

这也是 fmt 和 fold 的分界：

• 你要重新组织段落，让句子在自然空白处换行，用 fmt。
• 你必须保证单行不超过某个界限，必要时允许切开长词，用 fold。
• 你面对的是中文自然语言，希望按词法、标点和字体宽度取得高质量断行，仅靠这两个字节流工具都不够，应在目标渲染层完成。

不要直接覆盖原稿。先把结果写到新文件并比较：

LC_ALL=C.utf8 fmt -w 60 draft.txt > draft.formatted.txt
diff -u draft.txt draft.formatted.txt

为什么先比较：段落重排会改变物理行，代码块、地址、表格和逐行有意义的数据不应该被当成自然语言合并。fmt -s 能降低风险，但不能替你识别所有结构。

fold：给单行设置边界，并决定在哪里断

列、字节和版本能力是三件事

fold 不重组段落，它逐行扫描输入，把过长的行拆成多行：

LC_ALL=C.utf8 fold -w 72 input.txt

GNU fold 默认按屏幕列计算。TAB 会跳到制表位，退格会让列计数减少，回车会把列位置复位。加 -b 后，它改为按字节计数，TAB、退格与回车都只算一个字节。

实测 中文ABCD<TAB>Z 在宽度 6 下：默认模式先输出 中文，再输出 ABCD，随后 TAB 和 Z 落到后续行；-b 模式则把两个中文的 6 个 UTF-8 字节放在第一行。两个结果都“宽 6”，单位却完全不同。

较新的 GNU coreutils 提供 -c 按字符计数，但 Debian 12 的 coreutils 9.1 没有这个选项。跨环境脚本应先检查：

fold --help | grep -- '--characters'

可移植基线仍是 -b、-s 和 -w。不要因为网页里看到新选项，就假定长期支持发行版已经具备。

-s 只会优先找空白，不承诺保住所有词

fold -s -w 12 会在上限之前寻找最后一个空白，并在该处折行：

printf '%s\n' 'alpha beta gamma delta' | fold -s -w 12

如果某一段从头到上限都没有空白，它仍会在宽度处切开。隔离测试中的 verylongtoken 被拆成 verylongtoke 和 n，这不是故障，而是“硬上限优先于完整单词”的定义。

因此，选择 -s 前先问：

1. 输入的“词边界”是否真的由空格或 TAB 表示？
2. 超长 token 是允许拆开，还是应该改为报错、缩写或放到下一种媒介？
3. 尾随空格是否需要保留？fold -s 的断点可能把空格留在上一行。

终端颜色是另一个坑。ANSI SGR 由 ESC、[、参数和结尾字母组成，fold 不把整段识别成“零宽样式指令”。宽度 5 的实测把 ESC[31mREDTEXTESC[0m 的控制序列拆开，输出中的换行插进了样式字节。正确顺序通常是先对无样式文本折行，最后再着色；或者使用真正理解终端单元格和 ANSI 序列的渲染器。

可见宽度：Unicode、TAB 与终端状态共同参与

字节、码点、字素和单元格不能混用

处理中文时，常见的四个数量分别是：

• 字节数：UTF-8 中一个常见汉字通常占 3 字节。
• Unicode 码点数：组合字符可能由多个码点组成。
• 用户感知字素数：e 加组合重音可被看成一个字形。
• 终端显示列数：常见汉字多占两列，组合附加符通常不另占列，emoji 的宽度还可能受终端实现影响。

wc -c、wc -m、wc -L 分别提供字节、字符和最长显示列的观察角度，但没有一个命令能替所有渲染器给出最终答案。wc -L 适合检查纯文本终端输出；HTML/PDF 仍要在对应渲染器中验证。

如果必须截断面向人的 Unicode 文本，安全顺序是：先用理解字素簇的库分段，再按目标终端的 wcwidth 规则累计列，最后添加省略号。按字节截断可能制造无效 UTF-8；按码点截断可能把组合附加符或 emoji 序列拆开。

TAB 和 ANSI 让输出依赖终端状态

TAB 不是固定数量的空格，而是把光标移到下一个制表位。若制表位每 8 列一个，当前在第 1 列与第 7 列时，同一个 TAB 的可见宽度不同。把 TAB 保存到文件后，接收端使用不同 tabstop，表格就会变化。

可以在最终纯文本边界显式展开：

expand -t 4 report.tabs > report.spaces

ANSI SGR 同样是状态协议。 开启红色， 重置；字节存在于输出中，却不应该占文字列。日志、邮件和重定向文件不一定解释这些序列，可能显示成乱码或让搜索变得困难。

一个实用规则是：只有 stdout 连接到交互终端且用户没有关闭颜色时，才添加 ANSI；重定向到文件、管道或测试快照时输出无样式文本。test -t 1 能判断 stdout 是否连接终端，但脚本还应尊重 NO_COLOR 或自己的 --color 选项。

column：把分隔字段变成人类可读表格

显式分隔符才能保住空字段

column -t 会先判断每行有多少项，再计算列宽并输出表格。默认输入分隔是空白；连续空白会被当作分隔区域，不适合表达“中间有一个空字段”。对明确的竖线数据，应把输入与输出分隔分别写出：

LC_ALL=C.utf8 column -t -s '|' -o ' | ' scores.psv

输入：

姓名|分数|备注
阿青|90|稳定
小林||缺分数
老周|88

实测输出：

姓名 | 分数 | 备注
阿青 | 90   | 稳定
小林 |      | 缺分数
老周 | 88   |

小林 的第二字段存在但为空；老周 只有两个字段。表面输出都出现空白第三格，所以校验不能只看成品。进入 column 前应检查字段数和必填值，例如用 awk -F'|' 打印 NF，坏记录直接报错。

-N '姓名,分数,备注' 可以提供列名，-R 2 把第二列右对齐。数字右对齐便于比较数量级，但这只是视觉布局；它不会验证输入真的能解析成数字。

终端宽度与结构化数据都有边界

现代 util-linux column 在交互模式参考终端宽度，在非交互模式采用自己的默认输出宽度，当前文档给出的默认是 80 列。重定向后没有交互终端，不能假定它仍按刚才窗口大小排版。若输出要进入快照或文件，显式设置输出宽度，或者允许无限宽并由后续媒介负责折行。

超长单元格的策略也要写清：允许扩大整表、指定某列折行、指定某列截断，还是拒绝输入。截断适合冗长说明，不适合 ID、校验和与安全告警；这些字段少一个字符就可能变成另一条数据。

column 不是 CSV、JSON 或 SQL 结果解析器。下面的值含一个被双引号包住的逗号：

阿青,"值班,远程"

使用 -s ',' 的实测会把它切成三项，因为 column 只看分隔字符，不理解 CSV 引号。结构化数据应先交给对应解析器，得到清晰字段后再排版。

pr：把连续文本变成可预览的页与栏

页长包含页眉和页脚

pr 从标准输入或文件读取文本，向标准输出写分页结果。默认页长是 66 行，页眉占 5 行，页脚占 5 行，因此正文区默认只有 56 行。-l 设置的是整页长度，不是正文行数。

LC_ALL=C pr -l 60 -w 90 -h '夜间巡检' -n:4 report.txt > report.pages.txt

• -l 60：每页共 60 行。
• -w 90 或 -W 90：控制页面宽度，具体截断语义要看是否使用多栏。
• -h：替换页眉中的文件名。
• -n:4：加四位行号，并用冒号分隔。
• -t：省略常规页眉与页脚。
• +2:4：只输出第二至第四页。

隔离实验把 11 条记录放进页长 14 的页面。页眉与页脚各占 5 行，所以每页最多 4 条正文，结果正好 3 页。页码从输入第一页开始计算；先跳页再编号时，要区分输入页号和第一条输出行号。

换页符 \f 也是数据。输入中的换页符会强制开始新页；-f 可用换页符分隔输出页。纯文本查看器是否真的翻页取决于接收端，因此测试时应数 0x0c 字节，而不是只凭屏幕空白猜测。

多栏的填充方向、截断和并排文件要分清

pr -2 file 把单个文件排成两栏，默认先向下填满左栏再填右栏；加 -a 后改为按行横向填充。两种布局包含同样的记录，阅读顺序却不同。

pr -2 -a -t -w 72 records.txt

-m 则把多个文件并排，每个文件占一栏：

pr -m -t -w 100 --sep-string=' | ' left.txt right.txt

多栏会把页面宽度分给各栏，长行可能被截断。不能因为单栏预览完整，就认为多栏也完整。分页前先检测最长显示列，分页后再对比记录数、关键字段和截断策略。

pr 的名字里带有打印语境，但它只生成格式化 stdout。重定向到 report.pages.txt、管给 less 或再交给别的转换器都不会创建打印任务。本章到这里的正确动作是预览：

LC_ALL=C pr -l 60 -w 90 report.txt | less

后续是否发送、排队和选择设备是另一层责任。

printf：用固定模板把值放进明确位置

先确认调用的是 Bash builtin 还是外部命令

Shell 中输入 printf，通常先命中 builtin。隔离环境的真实查找结果是：

printf is a shell builtin
printf is /usr/bin/printf
printf is /bin/printf

可以用这些形式明确实现：

builtin printf '%s\n' "$value"
/usr/bin/printf '%s\n' "$value"
env printf '%s\n' "$value"

Bash builtin 支持 -v variable，把结果写入变量而不写 stdout；GNU 外部命令没有这个 Bash 变量作用域能力。两者都提供许多相同转换，但 %q 等扩展的具体输出形式可以不同：Bash 实测生成 $'space and\nnewline'，GNU 外部命令生成由普通单引号和 ANSI-C 引用组合的等价形式。

可移植脚本应先选择基线。若脚本声明 #!/usr/bin/env bash，可以明确使用 Bash 的 printf -v 和 %q；若目标是 POSIX sh，就避免依赖这些扩展，并在目标 Shell 测试。

格式串会被复用，缺失参数也有定义

printf 的第一个操作数是格式串。它包含三类对象：原样复制的普通字符、反斜杠转义，以及消费参数的 % 转换说明。

printf 'name=%s score=%d ratio=%.2f\n' '阿青' 90 0.875

常用转换包括：

格式串会重复使用直到参数耗尽：

printf '<%s>\n' A B C

输出三行 <A>、<B>、<C>。如果格式需要更多参数，缺少的字符串按空串、数值按零处理。printf 'x=<%s> n=%d\n' 会得到 x=<> n=0。这很方便，也可能掩盖字段缺失；严肃报表应在调用前检查参数数量和类型。

字段宽度、精度、对齐和补零要一起读

转换说明可以拆成：

% [标志] [最小字段宽度] [.精度] 转换字符

隔离实验执行：

printf '|%10s|%-10s|%08d|%8.2f|\n' right left 42 3.14159

真实输出：

|     right|left      |00000042|    3.14|

• %10s：字符串至少占 10 列，默认右对齐。
• %-10s：负号表示左对齐。
• %08d：整数最小宽度 8，用零填充。
• %8.2f：整体至少宽 8，小数点后保留 2 位。
• %.3s：最多输出字符串转换允许的前三个单位；多字节文本的单位依实现和 locale 而变，不要把它当 Unicode 字素截断器。

“最小宽度”不是“最大宽度”。%5s 遇到十个字符会完整输出十个，而不是自动截断。字符串精度可以限制输出，但对 Unicode 展示应先用专门逻辑安全截断，再交给 printf 对齐。

转义与 locale 都会改变最终字节

格式串中的 \n、\t、\\ 会被解释为换行、TAB 和反斜杠。%b 还会让参数中的反斜杠再次被解释：

printf '%b' 'first\nsecond\n'

这会输出两行。若参数来自不可信输入，%b 会让对方控制换行、回车等布局，不适合直接用于日志字段。

数值转换受 locale 影响，尤其是小数点和分组。测试环境只有 C、C.utf8 与 POSIX，LC_ALL=C printf '%.2f\n' 1234.5 和 LC_ALL=C.utf8 ... 都输出 1234.50。这个结果只证明两个 locale 在该数值规则下相同，不代表所有地区设置都用点号。

如果输出是机器接口，常见做法是固定：

LC_ALL=C printf '%s\t%d\t%.2f\n' "$name" "$count" "$ratio"

如果输出是给用户看的报告，则可尊重用户 locale，但测试用例也必须覆盖相应小数与分组规则。

固定格式串：把控制权留在程序里

不可信数据不能坐到格式串的位置

下面的写法把变量当成格式程序：

untrusted='name=%s\n'
printf "$untrusted" 'CHANGED'

真实输出是 name=CHANGED。变量里的 %s 消费了后续参数，\n 也变成换行。这个示例没有执行外部命令，但已经证明数据能控制输出结构；如果变量含回车、多个转换或大量宽度，日志、终端和报表都会被误导。

固定格式才是正确边界：

printf '%s\n' "$untrusted"

此时 %s 和反斜杠只是数据。变量仍要加双引号，避免 Shell 在调用前做分词和路径展开。

%q 适合诊断“一个 Shell 参数到底包含哪些空白和控制字符”，但它输出的是 Shell 引用形式，不是 JSON、CSV 或 HTML 转义。把 %q 填进另一种格式，并不会自动满足那种格式的安全规则。

结构化数据不要靠空格表冒充接口

printf 很适合生成人读表格，但空格对齐的表不适合被另一个程序重新解析。名称中可以有空格，宽度不足时字段会贴近，Unicode 显示列又可能与格式宽度不同。

更稳妥的双轨输出是：

$ LC_ALL=C printf '%s\t%d\t%.2f\n' "$name" "$count" "$ratio" > report.tsv
 
$ LC_ALL=C.utf8 column -t -s $'\t' report.tsv > report.txt

如果字段可能含 TAB、换行、引号或嵌套对象，就使用真正的 CSV/JSON 序列化器。HTML 还需要上下文正确的文本节点或属性转义，不能用 %q 代替。

一个好测试会同时验证：机器输出能被解析器往返读取，人类输出在目标宽度下没有丢字段。只比较截图，无法证明结构仍完整。

groff：从标记经过排版器走向设备后端

标记、排版与输出设备是一条流水线

groff 处理的是带标记的文本。输入中既有正文，也有以控制字符开头的请求或宏；排版器把它们变成设备相关的中间布局，后处理器再生成终端字节、HTML、PDF 或 PostScript。

三个名字处在不同层次。troff 是解释 roff 语言并计算布局的排版器；nroff 是面向终端或打字机式设备的兼容前端，在 GNU 环境中会根据 locale 选择合适的终端编码；groff 则是总前端，负责按选项组织预处理器、troff 和输出驱动。平时直接运行 groff 最方便，但理解这三层有助于阅读 man 的调用链和后端错误。

正文 + roff 标记
  → 可选预处理器
  → troff 排版器
  → 设备相关中间输出
  → grotty / grohtml / gropdf / grops
  → UTF-8 终端 / HTML / PDF / PostScript

一份最小 ms 文档可以这样写：

.TL
Formatting Pipeline
.AU
WeLearn Lab
.NH 1
Contract
.PP
One source describes content and structure.

然后选择目标：

groff -Kutf8 -ms -Tutf8 report.ms > report.txt
groff -Kutf8 -ms -Thtml report.ms > report.html
groff -Kutf8 -ms -Tpdf report.ms > report.pdf

-Kutf8 指定输入编码，-ms 加载 ms 宏包，-T... 选择输出设备。把输入编码和输出设备分开写，能避免“文件是 UTF-8，所以每个后端自然支持所有字形”的误解。

请求负责底层动作，宏包负责可复用结构

roff 的请求是排版器提供的底层动作，例如 .br 强制断行、.sp 增加竖直间距。宏则把一组请求封装成更有语义的接口；宏包再为某类文档提供一整套布局约定。

• ms：适合报告、文章和普通技术文档，提供标题、段落、分级标题、脚注等宏。
• man：适合传统手册页，常见 .TH、.SH、.B、.TP。
• mdoc：同样面向手册页，但语义标记更丰富。

一份文档通常选择一个主宏包，不要把两个负责整体页面布局的宏包随意混用。宏名由宏包定义，.PP 在某个包里有效，不代表所有环境和所有包都赋予它相同语义。

反斜杠转义用于特殊字符、字体切换、字符串与寄存器引用。它是 roff 输入语言的一部分；若正文来自不可信输入，就不能简单拼进源文件。先转义控制行开头的点、反斜杠和对应上下文，再在安全模式下处理。

同一标记不保证所有后端都有同样字形

隔离实验对 ASCII ms 输入成功生成了三种结果：HTML 中能找到标题，PDF 头是 %PDF-1.4，UTF-8 终端预览包含粗体和下划线的 ANSI 序列。groff -V 还显示了 HTML 的规划链路：

preconv → soelim / pre-grohtml → troff → post-grohtml

但中文测试揭示了重要边界。同一份中文标记在 -Tutf8 终端后端能显示；-Thtml 和 -Tpdf 命令虽然退出 0，却各自向 stderr 写了 11 条缺字警告，因为随包的排版字体没有覆盖这些 CJK 字形。

所以验证不能只看退出状态：

groff -Kutf8 -ms -Tpdf report.ms > report.pdf 2> report.err
test -s report.pdf
test ! -s report.err
pdftotext report.pdf - | grep -F '预期标题'

必要时配置覆盖目标文字的字体并实际渲染页面。终端能显示中文，只证明终端字体和 utf8 设备链可用，不证明 PDF 字体可用。

可复现格式：固定环境，并验证真正的交付物

locale、时区、终端能力和版本都要进入测试条件

同一条命令在不同环境下可能改变：

• printf 的小数点、分组和数字解析受 locale 影响。
• pr 页眉中的日期受 locale、时区和文件时间影响。
• column 的交互宽度来自终端，重定向后规则不同。
• fold 的 Unicode 与新选项能力随 coreutils 版本变化。
• groff 的宏包、设备驱动和字体随安装内容变化。

机器生成物可以固定 LC_ALL=C、TZ=UTC 和明确宽度；给人看的本地化报告则应把所选 locale 作为测试矩阵的一部分。不要在正文里硬编码某次动态日期作为金样本，可以通过 pr -D 指定可预测日期格式，或在比较时忽略明确的动态字段。

记录版本能帮助解释差异：

fmt --version | head -n 1
column --version
groff --version | head -n 1
locale
printf 'COLUMNS=%s\n' "${COLUMNS-unset}"

预览要针对目标媒介，stderr 也属于验收证据

不同输出需要不同检查：

所有命令都应分别捕获 stdout 与 stderr。stderr 为空不是永远的成功条件，但任何警告都必须被分类：可以接受的兼容提示要写入基线，缺字、截断和坏输入不能被忽略。

最后再做内容对账。例如输入 1,000 条记录，格式化后仍应能确认 1,000 条都存在；对金额列计算总和；对 ID 列检查无重复、无截断。视觉检查负责版面，数据断言负责内容，两者不能替代。

本章到生成与验证为止。pr 产生分页文本，groff 产生页面描述或文档文件，都还没有选择设备、提交任务或管理队列。

一次完整实操：从原始字段到四种可验证输出

下面把全章收束成一条可复现流程。所有文件都放进一次性目录，结束后删除；示例只生成输出，不触碰任何设备或队列。

本次隔离实测得到几条可直接复用的诊断结论：fmt 的目标宽度会被无空白长串突破；coreutils 9.1 没有 fold -c；column -s ',' 会误切带引号的逗号；pr -l 14 的默认正文区只有 4 行；Bash 与 GNU %q 可生成不同但等价的 Shell 引用；groff 的 UTF-8 终端后端能显示中文，而默认 HTML/PDF 排版字体会报告 CJK 缺字。

我们可以用下面的选择链结束本章：

要重排自然段落？              → fmt
要给单行设置硬边界？          → fold
已有明确字段，只想对齐阅读？  → column
要页眉、页脚、页长或多栏？    → pr
要按模板控制值、宽度和精度？  → printf
要一份标记生成多个设备后端？  → groff
 
无论选择哪个工具：
数据内容 → 布局单位 → 溢出策略 → locale/版本 → 目标媒介预览 → 内容对账

使用固定 printf 格式生成标题、整数和小数。先验证参数数量与类型，固定机器输出的 LC_ALL=C，把所有外部文本放在 %s 参数位置。为什么固定格式：数据不能取得格式控制权。