C++ <；regex>；有西里尔文字方面的问题

我正在尝试使用标准的

库来匹配一些西里尔语单词：

  // This is a UTF-8 file.
  std::locale::global(std::locale("en_US.UTF-8"));

  string s {"Каждый охотник желает знать где сидит фазан."};
  regex re {"[А-Яа-яЁё]+"};

  for (sregex_iterator it {s.begin(), s.end(), re}, end {}; it != end; it++) {
    cout << it->str() << "#";
  }

与预期不同的是：

  Каждый#охотник#желает#знать#где#сидит#фазан

《基本法》�' 上面的符号是

\321

我已经检查了我与

grep

一起使用的正则表达式，它可以正常工作。我的语言环境是

en_US.UTF-8

。GCC和Clang都产生相同的结果

---

我有什么遗漏吗？有没有办法“驯服”

，这样就可以处理西里尔字母？

西里尔字母在UTF-8中表示为多字节序列。因此，处理该问题的一种方法是使用名为

wstring

的

string

的“宽”版本。使用宽字符的其他函数和类型也需要替换为其“多字节意识”版本，通常这是通过在其名称前加上

w

来完成的。这项工作：

std::locale::global(std::locale("en_US.UTF-8"));

wstring s {L"Каждый охотник желает знать где сидит фазан."};
wregex re {L"[А-Яа-яЁё]+"};

for (wsregex_iterator it {s.begin(), s.end(), re}, end {}; it != end; it++) {
  wcout << it->str() << "#";
}

（感谢@JohnDing推荐此解决方案。）

---

---

另一种解决方案是使用

regex:：collate

使regex对普通字符串的区域设置敏感，有关详细信息，请参见@OlafDietsche。将阐明在您的情况下哪个解决方案可能更可取。（在我的例子中，

collate

是一个更好的主意！）

对于像

А-Я

这样的范围，要正常工作，必须使用

常数
…
格式“[a-b]”的collate字符范围将区分区域设置

将正则表达式更改为

std::regex re{"[А-Яа-яЁё]+", std::regex::collate};

给出了预期的结果

---

根据源文件的编码，可能需要在正则表达式字符串前面加上前缀

---

我不太确定，但你不应该使用

std:：wstring

或

std:：u32string

，

std:：wregex

或

boost:：u32regex

等等？你的字符串是utf-8编码的吗？@JohnDing你完全正确。使用

wstring

等实现了这一技巧。如果你不介意的话，我会用这一点知识很快回答我自己的问题。@undercatapplaudsMonica当然不会，请继续。这篇文章表明它可能与utf-8一起工作：我可以确认这是有效的，而且与使用wchars相比，它似乎是一个侵入性更小的解决方案，我对谷歌上点击次数如此之少感到惊讶。

regex:：collate

！

Каждый#охотник#желает#знать#где#сидит#фазан#

std::regex re{"[А-Яа-яЁё]+", std::regex::collate};

std::regex re{u8"[А-Яа-яЁё]+", std::regex::collate};