grep이 한글을 못 찾을 때 — LC_ALL=C와 멀티바이트 문자 클래스

LC_ALL=C grep '[가-힣]' 는 한글을 신뢰성 있게 못 잡는다. LC_ALL=C(POSIX/C 로케일)에서 grep은 문자열을 바이트 단위로 해석하는데, [가-힣] 같은 멀티바이트(UTF-8) 문자 범위는 바이트로 쪼개지면 의미가 깨져 같은 파일이 실행마다 다른 결과(7 → 0 등)를 낸다. (grep(그렙) = ed 편집기의 g/re/p = global / regular expression / print에서 유래.)

재현

# 불안정 — 파일/버전에 따라 오탐·누락
LC_ALL=C grep -c '[가-힣]' file.md

# 로케일을 UTF-8로 주면 문자 단위 매칭 (그나마 나음, 환경 의존)
LC_ALL=ko_KR.UTF-8 grep -c '[가-힣]' file.md

확실한 방법 — 코드포인트로 직접 비교

로케일·grep 구현에 의존하지 않으려면 파이썬으로 유니코드 코드포인트를 직접 검사한다. 한글 음절 블록은 U+AC00(가) ~ U+D7A3(힣).

# 파일별 한글 문자 수 (git 추적 파일 전수 스캔)
import subprocess
files = subprocess.check_output(["git","ls-files"]).decode().split()
for f in files:
    t = open(f, encoding="utf-8", errors="ignore").read()
    n = sum(1 for c in t if '가' <= c <= '힣')
    if n:
        print(n, f)

교훈

• LC_ALL=C는 속도/ASCII 안정성을 위한 것이지 비ASCII 문자 클래스 매칭엔 부적합.
• 두 방법의 결과가 어긋나면 grep 쪽을 의심하고 코드포인트 비교를 정답으로 삼는다.
• 리포지토리 i18n(한글 잔여 검출) 같은 정확도가 중요한 작업엔 grep보다 스크립트가 낫다.