Character encoding 汉字的Erlang正则表达式匹配

TL；博士：

如何使这项工作ццц’显然是不属于拉丁字符集的字符；有没有办法告诉re模块或整个系统使用不同的字符集来运行“strings”

原始问题（记录在案）：

另一个“编程Erlang”问题）

在第16章中有一个关于从mp3文件中读取标签的示例。很有效，很好。但是，提供的模块lib_find中似乎存在一些缺陷，该模块具有搜索匹配文件路径的功能。这是一个有效的呼吁：

25> re:run("йцу.asd", xmerl_regexp:sh_to_awk("*.*"), [{capture, none}]). 
** exception error: bad argument
     in function  re:run/3
        called as re:run([1081,1094,1091,46,97,115,100],
                         "^(.*\\..*)$",
                         [{capture,none}])

此呼叫失败：

61> lib_find:files("../..", "*.mp3", true).   
["../../early/files/Veronique.mp3"]

具有讽刺意味的是，调查结果在Erlang自己的装置中找到了罪犯：

.kerl/builds/20.1/otp_src_20.1/lib/ssh/test/ssh_sftp_SUITE_data/sftp_tar_test_data_高兴

好的，这似乎意味着Erlang正在使用一个更严格的默认字符集，它不包括hánzì。有哪些选择？显然，我可以忽略这一点，继续我的研究，但我觉得我可以从这一点中学到更多，比如-我在哪里/如何修复默认字符集？我有点惊讶，默认情况下它不是UTF8，所以也许我走错了方向

---

谢谢

TL；医生：

UTF-8正则表达式可以通过使用选项

unicode

将正则表达式模式设置为unicode模式来访问。（请注意下面的字符串

“^（.\\\..*）$”

是调用

xmerl\u regexp:sh\u to\u awk/1

的结果）

从你的例子来看：

1> re:run("なにこれ.txt", "^(.*\\..*)$").
** exception error: bad argument
     in function  re:run/2
        called as re:run([12394,12395,12371,12428,46,116,120,116],"^(.*\\..*)$")
2> re:run("なにこれ.txt", "^(.*\\..*)$", [unicode]).
{match,[{0,16},{0,16}]}

或

---

哦，老兄，一开始我对二进制字符串感到惊讶-。。。但是当我想到“stuff”是一个假字符串时，虽然二进制文件是诚实的，但这一切都是有道理的。@alexakarpov所以“二进制文件是诚实的”有点撒谎（二进制表示法意味着上面的“匹配”匹配第15个字节，但那不是第15个词素），匹配“字符”也是一个谎言，因为1个字符并不意味着1个词素。词素是唯一的真理，这也是为什么它变得如此混乱的部分原因（因为没有人想用4个字节来表示1[A-Z]ASCII字符！）。所以我们有词素，它们可能是单个代码点或集群，或者是任何东西的混合体！啊!！但这比任何其他选择都糟糕，所以我们被卡住了。

1> re:run("なにこれ.txt", "^(.*\\..*)$").
** exception error: bad argument
     in function  re:run/2
        called as re:run([12394,12395,12371,12428,46,116,120,116],"^(.*\\..*)$")
2> re:run("なにこれ.txt", "^(.*\\..*)$", [unicode]).
{match,[{0,16},{0,16}]}

11> re:run("йцу.asd", "^(.*\\..*)$", [unicode, {capture, none}]).       
match

12> {ok, Pattern} = re:compile("^(.*\\..*)$", [unicode]).
{ok,{re_pattern,1,1,0,
                <<69,82,67,80,87,0,0,0,16,8,0,0,65,0,0,0,255,255,255,
                  255,255,255,...>>}}
13> re:run("йцу.asd", Pattern, [{capture, none}]).               
match

3> UnicodeBin = <<"この文書はUTF-8です。"/utf8>>.
<<227,129,147,227,129,174,230,150,135,230,155,184,227,129,
  175,85,84,70,45,56,227,129,167,227,129,153,227,128,130>>
4> UnicodeString = unicode:characters_to_list(UnicodeBin).  
[12371,12398,25991,26360,12399,85,84,70,45,56,12391,12377,
 12290]
5> io:format("~ts~n", [UnicodeString]).
この文書はUTF-8です。
ok
6> re:run(UnicodeString, "UTF-8", [unicode]).
{match,[{15,5}]}
7> re:run(UnicodeBin, "UTF-8", [unicode]).   
{match,[{15,5}]}
8> unicode:characters_to_binary(UnicodeString).
<<227,129,147,227,129,174,230,150,135,230,155,184,227,129,
  175,85,84,70,45,56,227,129,167,227,129,153,227,128,130>>
9> unicode:characters_to_binary(UnicodeBin).   
<<227,129,147,227,129,174,230,150,135,230,155,184,227,129,
  175,85,84,70,45,56,227,129,167,227,129,153,227,128,130>>