如何在C++正则表达式中使用Unicode范围

Question

我必须在C++中的正则表达式中使用unicode范围.基本上我需要的是有一个正则表达式来接受所有有效的unicode字符.我只是尝试了测试表达式并面临一些问题.

---

std::regex reg("^[\\u0080-\\uDB7Fa-z0-9!#$%&'*+/=?^_`{|}~-]+$");

问题出在\\u哪？

Answer 1

这应该工作正常,但你需要使用std::wregex和std::wsmatch.您需要将源字符串和正则表达式转换为宽字符unicode(Linux上为UTF-32,Windows上为UTF-16(ish))才能使其正常工作.

这对我来说适用于源文本UTF-8:

inline std::wstring from_utf8(const std::string& utf8)
{
    // code to convert from utf8 to utf32/utf16
}

inline std::string to_utf8(const std::wstring& ws)
{
    // code to convert from utf32/utf16 to utf8
}

int main()
{
    std::string test = "john.doe@??.com"; // utf8
    std::string expr = "[\\u0080-\\uDB7F]+"; // utf8

    std::wstring wtest = from_utf8(test);
    std::wstring wexpr = from_utf8(expr);

    std::wregex we(wexpr);
    std::wsmatch wm;
    if(std::regex_search(wtest, wm, we))
    {
        std::cout << to_utf8(wm.str(0)) << '\n';
    }
}

输出:

??

注意:如果您需要UTF转换库,我在上面的示例中使用了THIS ONE.

编辑:或者,您可以使用此答案中给出的功能:

C++字符串代码点和代码单元的任何好的解决方案？