使用 UTF-8 在非 ASCII 字符上运行 Ascii 正则表达式

Posted 2023-02-24

【中文标题】使用 UTF-8 在非 ASCII 字符上运行 Ascii 正则表达式

【英文标题】：Running Ascii regex over non-ASCII characters with UTF-8

【发布时间】：2016-10-02 15:24:18

【问题描述】：

#include <boost/regex.hpp>

#include <string>
#include <vector>
#include <iostream>

int main(int argc, char* argv[]) 

    std::string text = argv[1];
    std::string patterns = argv[2];

    boost::regex regex = boost::regex(patterns);

    boost::smatch match;

    std::cout << boost::regex_search(text, match, regex) << std::endl;    

如果我在输入 hello¿ ¿（包含一个非 ASCII 字符和 UTF-8 编码）上运行程序，它会返回 0 即未找到，但如果我在输入上运行它 hel√ √（再次包含非ASCII）它返回1，即找到。

我的问题：boost::regex（即 ascii 版本）在运行 utf 字符时的预期行为是什么？

---

编辑：感谢所有 cmets，我仍然对为什么输出 1 很感兴趣，因为文本和正则表达式都包含非 ascii 字符。我的猜测是字节被解释为 ascii，因此它们匹配。

【问题讨论】：

你的patterns是什么？

@Wiktor Stribiżew 第二个参数，即¿ √

这两个都在我的系统上打印 1，这当然是我所期望的。 （我使用 UTF-8 语言环境，因此字符应该逐字传递给程序。）

感谢所有 cmets，我仍然对为什么输出 1 很感兴趣，因为文本和正则表达式都包含非 ascii 字符。我的猜测是字节被解释为 ascii，因此它们匹配......

@user695652 你猜对了。例如√的UTF8编码为E2 88 9A，在Latin-1中被解释为√。这里有趣的问题是为什么你得到一个¿ 的0，因为它是C2 BF，解释为¿。你能分享一些关于你的系统的细节，以及你是如何调用命令的（即你是如何准确传递参​​数的）？

【参考方案1】：

在 ASCII 字符串上使用正则表达式，是关于使用“字节”在其中查找模式。 在 UTF-8 字符串上使用正则表达式是关于在“多字节”序列上使用正则表达式，其中一个序列表示一个 Unicode 代码点。 因此，正则表达式适用于 Unicode 字符串，其编码具有每个字符的可变字节数。 UTF-8 字符串包含 1 到 4 个字节的多字节序列，代表一个 Unicode“字符”。 在 UTF-8 中，只有 ASCII 7 位字符是 1 个字节的“宽”。 所以 - 在 UTF-8 编码字符串上使用 ASCII 正则表达式引擎，忽略 UTF-8 编码字符串中的多字节序列，并导致模式匹配字节字节。此 ASCII 正则表达式引擎对 UTF-8 编码字符串的使用结果无效。 请看http://utfcpp.sourceforge.net。 要使正则表达式适用于 UTF-8 编码的字符串，您必须……

具有可用于正则表达式的 UTF-8 字符串迭代器，或者 使用std::codecvt_utf8 结合临时设置全局语言环境以使正则表达式正常工作，或者 必须将 UTF-8 编码字符串转换为 UTF-16 编码字符串，以便与 Unicode 正则表达式引擎一起使用 - 基于 std::wstring。

regex_search 函数在匹配时返回布尔值和 true。 在您的情况下，ASCII 正则表达式模式匹配 UTF-8 编码字符串的一部分，该字符串被无效地解析为 ASCII 字符串 - 正如您所假设的那样！ 如果 UTF-8 编码字符串中有英文文本，则可以安全地使用 ASCII 正则表达式引擎。离开 ASCII 7 位范围，会使 ASCII 正则表达式引擎的结果不可靠。

【参考方案2】：

这是一个错误而不是一个功能： 我在一个更好的系统上尝试了你的例子（Windows MinGW 上的 g++ 4.9.2），一切都很好：

#include <iostream>
#include <string>
#include <regex>
int main()
 std::string text ="hello¿"; // or "hello√"
  std::string patterns ="¿";  // or "√"
  std::regex regex = std::regex(patterns);
  std::smatch match;
  std::cout << std::regex_search(text, match, regex) << std::endl;

有输出：

1

【讨论】：

问题：您的源代码是否编译为 UTF-8 编码的源代码？由于我没有看到标记为 UTF-8 (u8"...") 的“文本”的内容。如果是这样，ASCI RE 引擎将模式中的两个字节（0xC2 0xBF）与变量“text”中的“倒置问号”BYTES 匹配。如果不是，则 ASCII RE 引擎匹配变量“text”内容中的 ASCII 字符 0xBF。两种变体都不会在变量“text”的内容中使用 Unicode 代码点 \u00BF！是的 - ASCII RE 引擎声称成功地搜索了模式，但没有搜索到正确的东西！

@Martin：是的，我用的是eclipse，源码是UTF-8编码的。