如何将 pcre2_match 与二进制主题数据一起使用

Question

我正在寻求有关使用 pcre2_match 的说明。

背景：我正在使用 PCRE2 搜索二进制文件中的 unicode 文本片段，不区分大小写。

这个函数的声明：

int pcre2_match(const pcre2_code *code, PCRE2_SPTR subject,
  PCRE2_SIZE length, PCRE2_SIZE startoffset,
  uint32_t options, pcre2_match_data *match_data,
  pcre2_match_context *mcontext);

该函数的手册页随后指出：

length 和 startoffset 值是代码单位，而不是字符。

现在，当主题数据是二进制时，我无法确定代码单元，因为数据不一定是任何干净的 UTF 格式。因此我无法确定代码单元。

我只知道主题数据的字节数。而且似乎没有任何选项可以让我告诉该函数它将查看二进制数据。

如何确保此函数了解我传递的字节数，以便它不会尝试检测代码点，从而可能超过或缩短我希望它搜索的内存量？

Answer 1

代码单元是输入的原子片段。至于pcre2_match_8，是byte，pcre2_match_16，是uint16_t等。如果传递了invalid utf选项，可以搜索二进制数据，但是从任意字节位置只能搜索utf8。如果您搜索 utf16，它将每隔一个字节搜索一次。自然对齐是 cpu 要求，PCRE 必须遵守它。