在 C 中的宽字符字符串上使用 regex(3) 函数的可移植方式答案

【问题标题】：Portable way to use the regex(3) functions on a wide char string in C在 C 中的宽字符字符串上使用 regex(3) 函数的可移植方式
【发布时间】：2016-07-21 19:53:14
【问题描述】：

在某些系统上有 regwcomp(3) 等函数，但目前这似乎不是一个可移植的解决方案。当有 wchar_t 字符串时，使用 regex(3) 函数（通常仅适用于 char 字符串）的建议可移植解决方案（不是 Linux 或 GNU 特定）是什么？在我的情况下，匹配的模式或文本并不是非 7 位 ASCII，问题在于代码出于其他原因使用了 wchar_t。

【问题讨论】：

regcomp() 等。是 POSIX.1-2001，这就是为什么它们是可移植的。不幸的是，POSIX 没有宽字符正则表达式支持。唯一真正的可移植选项是使用 iconv() 在 UTF-8 和 wchar_t 之间进行转换（iconv_open("UTF-8//TRANSLIT", "WCHAR_T") 用于转换为 UTF-8 的句柄，iconv_open("WCHAR_T//TRANSLIT", "UTF-8") 用于转换回 wchar_t。
我目前使用wcstombs(3) 和mbstowcs(3) 在char 和wchar_t 字符串之间进行转换。问题是，当我在转换后的字符串上使用 regexec(3) 时，我不能简单地将 regmach_t 响应分配给 wchar_t 字符串中的位置。这在使用iconv()（恕我直言）时是一样的。
是的。当然，您可以在每个位置临时插入一个'\0'，并使用mbstowcs(NULL, beginning, 0) 来计算该位置的宽字符数。对于一般的多字节字符集情况，您不能只计算两个位置之间的宽字符数，因为这会丢失移位状态。另一方面，UTF-8 是微不足道的（无移位状态），因此对字符串的单次传递可以将所有匹配位置转换为 wchar_t 位置。
如果OP或其他人不清楚，在初始化locale后，可以使用nl_langinfo(CODESET)获取当前locale使用的字符集或编码，格式应该是@可以接受的987654325@（尽管您可能希望附加 //TRANSLIT 和/或 //IGNORE 后缀）。
我使用setlocale(LC_ALL, ""); 来确定语言环境。事实上，我只对 UTF-8 感兴趣，并不打算支持其他语言环境（C 除外）。好的，我可能会对wcstombs 转换和位置猜测进行一些修改。可惜regwcomp等不是POSIX...

标签： c regex wchar-t

【解决方案1】：

如果其他人有这个问题，请随意借用我最近编写的函数 my_regwcomp 和 my_regwexec。您可以在此source file in the ProofPower system 中找到它们。这些函数使用 POSIX regcomp 和 regexec 函数模拟 Free BSD 的 regwcomp 和 regwexec 函数。

PS：我的代码是 Motif 应用程序的一部分，如果你用 malloc、ralloc 和 free 替换 XtMalloc、XtRealloc 和 XtFree，它应该可以在任何标准 C/C++ 开发框架中工作。如果您需要任何帮助以使我的功能在您的环境中运行，请在此答案中添加评论。

【讨论】：