C++ 如何使std:：regex与Utf8匹配

我想要一个像“.c”这样的模式，使用std:：regex将“.”与任何后跟“c”的utf8匹配

我在微软C++和g++下尝试过。我得到相同的结果，每次“.”只匹配一个字节

下面是我的测试用例：

#include <stdio.h>
#include <iostream>
#include <string>
#include <regex>

using namespace std;

int main(int argc, char** argv)
{
    // make a string with 3 UTF8 characters
    const unsigned char p[] = { 'a', 0xC2, 0x80, 'c', 0 };
    string tobesearched((char*)p);

    // want to match the UTF8 character before c
    string pattern(".c");
    regex re(pattern);

    std::smatch match;
    bool r = std::regex_search(tobesearched, match, re);
    if (r)
    {
        // m.size() will be bytes, and we expect 3
        // expect 0xC2, 0x80, 'c'

        string m = match[0];
        cout << "match length " << m.size() << endl;

        // but we only get 2, we get the 0x80 and the 'c'.
        // so it's matching on single bytes and not utf8
        // code here is just to dump out the byte values.
        for (int i = 0; i < m.size(); ++i)
        {
            int c = m[i] & 0xff;
            printf("%02X ", c);
        }
        printf("\n");
    }
    else
        cout << "not matched\n";

    return 0;
}

#包括
#包括
#包括
#包括
使用名称空间std；
int main（int argc，字符**argv）
{
//生成一个包含3个UTF8字符的字符串
常量无符号字符p[]={a'，0xC2，0x80'，c'，0}；
要搜索的字符串（（char*）p）；
//要匹配c之前的UTF8字符吗
字符串模式（“.c”）；
正则表达式re（模式）；
std：：smatch匹配；
bool r=std:：regex_搜索（搜索、匹配、重搜索）；
if（r）
{
//m.size（）将是字节，我们预期为3
//预期为0xC2，0x80，'c'
字符串m=匹配[0]；
cout一些正则表达式支持将匹配单个unicode字符的
\X
，该字符可能由许多字节组成，具体取决于编码方式。正则表达式引擎通常在引擎设计的编码中获取主题字符串的字节，因此您不必担心实际的编码g（无论是US-ASCII、UTF-8、UTF-16还是UTF-32）

另一个选项是
\uFFFF
，其中FFFF指的是unicode字符集中该索引处的unicode字符。使用该选项，您可以在字符类内创建范围匹配，即
[\u0000-\uFFFF]
。同样，这取决于regex风格支持什么。在
\x{…}中还有另一个
\u
的变体
除了必须在大括号内提供unicode字符索引外，它也做同样的事情，并且不需要填充，例如
\x{65}

编辑：该网站非常适合了解各种口味的regex

编辑2：要匹配任何Unicode独占字符，即不包括ASCII表中的字符/1字节字符，您可以尝试
“[\x{80}-\x{FFFFFFFF}”
即，值为128-4294967295的任何字符，从ASCII范围外的第一个字符到当前使用最多4字节表示的最后一个unicode字符集索引（最初为6，将来可能会更改）

通过单个字节的循环将更有效，不过：

如果前导位为0，即如果其有符号值为
-1
，则为1字节字符表示。跳到下一个字节，然后重新开始
否则，如果前导位为11110，即如果其有符号值为
-17
，
n=4
否则，如果前导位为1110，即如果其有符号值为
-33
，
n=3
否则，如果前导位为110，即如果其有符号值为
-65
，
n=2
或者，检查下一个
n
字节是否以10开头，即对于每个字节，如果其具有有符号值
<-63
，则为无效的UTF-8编码
现在您知道前面的n个字节构成了一个unicode独占字符。因此，如果下一个字符是“c”，即
==99
，您可以说它匹配-
返回true
使用宽字符和UTF32（如果您的编译器只支持UTF16）在标准C++中没有解决方案。所以基本上是代码> STD:：ReGEX不支持UTF8，我确实有另一个ReXEP库，但是我期待标准的支持。标准中的Unicode支持是不存在的。也许我误解了你的意思。正在查找？当您说UTF-8字符时，您的意思是“任何有效的UTF-8字符”，即包括ASCII表（0-127）或者您的意思是ASCII表之外的字符？如果字符长度仅为1字节，是否不希望进行匹配？如果是，则需要基于非正则表达式的方法。UTF-8很容易解释。如果第一位为0，则长度为1字节。如果不是，则多字节字符中的单个字节，并且您知道前面的字符大于127。如果要确保编码正确，只需从前导字节开始计算字节。感谢更新。我希望点“.”匹配任何字符，包括单字节和多字节。然后我将结果字符串匹配解释为utf8。看起来
std:：regex
不是这样工作的。这是一个遗憾。