C++ 为什么对std:：regex_traits没有定义<；char32_t>；（因此没有提供std:：basic_regex<；char32_t>；）？

我想在UTF-32代码点上使用正则表达式，并发现这表明std:：regex_traits必须由用户定义，因此std:：basic_regex完全可以使用。似乎没有计划在未来对此进行任何更改

为什么会这样呢

这是否与Unicode表示组合码点必须被视为等同于单个码点表示的事实有关（如umlaut“ä”表示为单个码点，或者a和点表示为两个独立的点）

考虑到只支持单个代码点字符的简化，这一特性可以很容易地定义吗？或者这不是微不足道的，还是需要进一步的限制

regex匹配的某些方面是区域设置感知的，结果是

std:：regex\u traits

对象包含或引用

std:：locale

对象的实例。C++标准库只为“代码> char < /COD>和 WCARYTT 字符提供了区域，因此没有代码标准，用于<代码> CHAR32×T（除非它与“代码> WCARYTT >相同”，并且这个限制被传递到正则表达式中。

你的描述不准确。Unicode定义了两个字符串之间的规范等价关系，该关系基于使用NFC或NFD对两个字符串进行规范化，然后逐码点比较规范化值。它没有简单地将规范等价定义为代码点和代码点序列之间的等价，因为规范化不能简单地逐个字符地完成。规范化可能需要将组合字符重新排序为规范顺序（在规范（取消）组合之后）。因此，它不容易适应于通常是单个字符的区域转换的C++模型。

C++标准库不实现任何Unicode规范化算法；在C++中，与许多其他语言一样，两个字符串<代码> L“\U00 E4”（胡）和“代码> L”\U066\U0308“<代码>（A））将作为不同的比较，尽管它们是规范等价的，并且对人类读取器来说就像同一个字形。（在我写这个答案的机器上，这两个图形的呈现方式有细微的不同；如果仔细观察，你会发现第二个图形中的umlaut稍微偏离了其视觉最佳位置。这违反了Unicode的要求，即规范等效字符串具有完全相同的呈现方式。）

如果要检查两个字符串的规范等效性，则需要使用Unicode规范化库。不幸的是，C++标准库不包括任何这样的API；您可以查看（其中还包括）

无论如何，正则表达式匹配（在C++标准中指定的程度）不规范目标字符串。这是允许的，它建议将目标字符串显式规范化为某种规范化形式，并编写模式以使用规范化为该形式的字符串：

对于大多数功能齐全的正则表达式引擎，在规范等价下很难进行匹配，这可能涉及字符的重新排序、拆分或合并……实际上，regex API并没有设置为匹配部分字符或处理不连续的选择。还有许多其他的边缘情况……然而，构建与NFD（或NFKD）文本匹配的模式是可行的。这可以通过以下方式实现：

• 将要匹配的文本放入定义的规范化表单（NFD或NFKD）
• 让用户设计正则表达式模式以与定义的规范化表单相匹配。例如，模式不应包含在该规范化形式中不会出现的字符，也不应包含不会出现的序列
• 像往常一样，在逐个代码点的基础上应用匹配算法

创建

std:：regex_traits

的

char32_t

专门化的大部分工作将是创建

char32_t

locale对象。我从来没有试过做这两件事；我怀疑这需要相当多的注意细节，因为有很多奇怪的角落案例

---

C++标准对正则表达式匹配的细节有点含糊，将详细信息留给外部文档来说明正则表达式的每一种味道（并且没有一个完整的解释，说明如何将这些外部规范应用到字符类型之外的每一种类型上）。然而，匹配是逐字符进行的这一事实是可以推断的。例如，在§28.3要求[re.req]中，表136包括负责逐字符等效算法的语言环境方法：

表达式：

v.translate（c）

返回类型：

X:：char\u类型

断言：返回一个字符，使得对于被视为等同于

c

的任何字符

d

，则

v.translate（c）==v.translate（d）

类似地，在对默认“修改的ECMAScript”风格的正则表达式匹配的描述（§28.13）中，标准描述了正则表达式引擎如何匹配两个字符（一个在模式中，一个在目标中）：（第14.1段）：

在正则表达式有限状态机与字符序列匹配期间，使用以下规则比较两个字符

c

和

d

：

如果

（flags（）®ex\u constants:：icase）

如果

traits\u inst.translate\u nocase（c）=traits\u inst.translate\u nocase（d）

，这两个字符是相等的

o