C ++中的正则表达式unicode字符

Question

我的配置文件（例如，.ini 文件）的以下部分已损坏，我正在开发一个 C++ 应用程序，该应用程序使用正则表达式检测文件损坏，检测配置文件中的无效字符：

当我通过使用 istream 并存储到字符串（示例）中读取此文件时，我在 myexpr 处的正则表达式实现存在问题，不知何故未检测到文件损坏。在这段代码中，我预先存储了读取的文件内容。

TEST(Concept, RegexUnicode1Sample)
{
    regex myexpr (R"(/[^\u0020-\u007E]|(\b.*(Mensagem|Antes|Loop|Movimentar|\|).*)|\\[0-9]{3,4}/g)");

    string sample = R"(\025\003\003\000\032\347\061\f\002\002\207\351H\346\353\037B\341\177\250\264\202\004\236\227\265
                    \261;\227\346ocolPortSecure=0\nMultiProtocolPort=0\n\n[TCP]\nTYPE=TCPIP\nPort=6800\n\n)";

    bool status = regex_match(sample,myexpr);
    EXPECT_TRUE(status);
}

这个单元测试在我运行时失败了，这里可能有什么问题？我在https://regexr.com/ 测试了我的正则表达式，它可以检测到损坏的字符。

Answer 1

您在正则表达式中使用了 Perl /.../g 语法。 C++ 不支持。

相反，只包括斜线之间的模式。然后，全局搜索使用std::regex_search:

std::regex myexpr (R"([^\u0020-\u007E]|(\b.*(Mensagem|Antes|Loop|Movimentar|\|).*)|\\[0-9]{3,4})");
std::string sample = R"(\025\003\003\000\032\347\061\f\002\002\207\351H\346\353\037B\341\177\250\264\202\004\236\227\265
                    \261;\227\346ocolPortSecure=0\nMultiProtocolPort=0\n\n[TCP]\nTYPE=TCPIP\nPort=6800\n\n)";
bool status = std::regex_search(sample, myexpr);

演示：https://godbolt.org/z/5n51z3

不过，需要注意的是，C++ 标准库实现中对 Unicode 的支持状态非常差。如果您需要匹配非 ascii 字符，您可以考虑使用开箱即用支持 UTF-8 的第 3 方库。