Regex gawk正则表达式没有按预期工作

我在一个awk脚本中有一个函数，它大部分是有效的，但如果通过了德语“umlaute”（äöü），它就不起作用

function sanitizeIdentifier(str){
  debug( "san IN:" str)
  gsub(/[^_a-zA-Z0-9]/, "_", str)
  debug( "san OUT:" str)
  return str
}

输出：

san IN:(Vorhalt für Start/Stopp) 
san OUT:_Vorhalt_für_Start_Stopp__

我如何匹配umlaute或更好为什么umlaute与表达式不匹配

我的awk脚本是unicode（不带BOM的utf8），输入文件未知。 将它们转换为unicode也无济于事

只有当输入文件是unicode（这有点清楚）时，像

gsub（/ä/，“ae”，str）

这样的显式替换才有效

使用

gsub(/[^_abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789]/, "_", str)

替换发生的事件，但如果输入文件为Utf8，则它们将替换为两个下划线。 整个行为似乎有点奇怪

---

我在windows上运行GNU Awk 3.1.6（来自gnuwin32）

带有umlaut的字符超出了括号表达式中的范围，因此不匹配。字符类，如

[：alpha://code>或
[：alnum://code>应该尊重区域设置，因此我建议改为使用它们：

gsub(/[^_[:alnum:]]/, "_", str)

使用
LC_ALL=C
运行意味着使用umlaut替换字符。您可能还希望通过添加第二个替换来删除重复的
。
：

gsub(/_+/, "_", str)

@是的，我想我误解了这个问题，谢谢你指出。但这与我想要的正好相反。我想创建有效的C标识符。我确实想用下划线替换umlaute。但似乎
a-z
范围与它们匹配，以及为什么它们没有被替换。还是我误解了[：alnum:]？@vlad_tepesch我已经更新了答案。这有帮助吗？我不知道如何在windows上设置GNUutil的区域设置。[：alnum:]没有更改任何内容，现在我将在代码中保留显式字符列表-至少这会将umlaute从
echo halloä24d
直接导入
gawk“gsub…
似乎按预期工作。至少用乌姆劳特。使用德语“ß”可以得到“á”的输出。结论：仅使用完整的字符列表似乎能如预期的那样工作-带umlauts的字符听起来是什么样的，都在括号表达式的范围内。在我的系统中，字符被替换。像运行
LC_ALL=C awk…
这样的脚本会改变行为吗？在OSX上运行awk和gawk时，
u
字符也会代替我。它同时适用于
LC_ALL=C
和
LC_ALL=de_de
，这实际上是我所期望的，因为语言环境不应该改变像
a-z
这样的范围的含义。另一方面，当我使用
[：alpha:://code>而不是范围时，区域设置确实产生了差异，这是应该的。所有这些都说明这是一个谜。一个问题：如果您不知道输入文件的编码是什么，您是如何将它们转换为unicode的？当你说“unicode”时，你是指utf8吗？@jas unknown表示不同的输入文件之间的输入编码可能不同。我用我知道的文件测试了它。a-z范围的行为确实很奇怪。如果我将其替换为
abcdefghijklmnopqrstuvwxyz
，则字符将被替换。我正在使用windows，不知道是否有LC\U ALL等效。。。我猜那是
chcp
codepage的东西？@jas:不，
a-z
受语言环境的影响。看：是的，@cuonglm，我明白了我也看到了这里的解释：它似乎依赖于实现，因为在“C”和“POSIX”语言环境之外，范围表达式的含义是未定义的。