- mongodb - 在 MongoDB mapreduce 中,如何展平值对象?
- javascript - 对象传播与 Object.assign
- html - 输入类型 ="submit"Vs 按钮标签它们可以互换吗?
- sql - 使用 MongoDB 而不是 MS SQL Server 的优缺点
#include <boost/regex.hpp>
#include <string>
#include <vector>
#include <iostream>
int main(int argc, char* argv[]) {
std::string text = argv[1];
std::string patterns = argv[2];
boost::regex regex = boost::regex(patterns);
boost::smatch match;
std::cout << boost::regex_search(text, match, regex) << std::endl;
}
如果我通过输入 hello¿ ¿
运行程序(包含使用 UTF-8 编码的非 ASCII 字符),它将返回 0
即未找到,但如果我在输入 hel√ √(同样包含非 ascii)上运行它,它返回 1,即找到。
我的问题:boost::regex
(即 ascii 版本)在 utf 字符上运行时的预期行为是什么?
编辑:感谢所有评论,我仍然对为什么输出 1 很感兴趣,因为文本和正则表达式都包含非 ascii 字符。我的猜测是字节被解释为 ascii,因此它们匹配。
最佳答案
在 ASCII 字符串上使用正则表达式,就是使用“字节”来查找其中的模式。
在 UTF-8 字符串上使用正则表达式,就是在“多字节”序列上使用正则表达式,其中一个序列代表一个 Unicode 代码点。
因此,正则表达式适用于 Unicode 字符串,其编码具有每个字符的可变字节数。
UTF-8 字符串包含 1 到 4 个字节的多字节序列,代表一个 Unicode“字符”。在 UTF-8 中,只有 ASCII 7 位字符是 1 个字节的“宽”。
所以 - 在 UTF-8 编码字符串上使用 ASCII 正则表达式引擎,忽略 UTF-8 编码字符串中的多字节序列并导致模式匹配字节字节。此 ASCII 正则表达式引擎对 UTF-8 编码字符串的使用结果无效。
请看http://utfcpp.sourceforge.net .
要使正则表达式适用于 UTF-8 编码的字符串,您必须……
std::codecvt_utf8
结合临时设置全局语言环境以使正则表达式正常工作,或者regex_search 函数在匹配时返回一个 bool 值和 true
。
在您的情况下,ASCII 正则表达式模式匹配 UTF-8 编码字符串的一部分,该字符串被无效地解析为 ASCII 字符串 - 正如您所假设的那样!
如果 UTF-8 编码字符串中有英文文本,则可以安全地使用 ASCII 正则表达式引擎。离开 ASCII 7 位范围,会使 ASCII 正则表达式引擎的结果不可靠。
关于c++ - 使用 UTF-8 在非 ASCII 字符上运行 Ascii 正则表达式,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/37599500/
UTF-8、UTF-16 和 UTF-32 之间有何区别? 据我所知,它们都将存储 Unicode,并且每个都使用不同数量的字节来表示字符。选择其中之一是否有优势? 最佳答案 当 ASCII 字符代表
好的。我知道这看起来像典型的“他为什么不直接用谷歌搜索或去 www.unicode.org 查一下?”问题,但对于这样一个简单的问题,在检查了两个来源后,我仍然无法回答。 我很确定这三种编码系统都支持
是否存在可以用 UTF-16 编码但不能用 UTF-8 编码的字符 最佳答案 没有。 UTF-* 是可以对全范围 Unicode 字符进行编码的编码。 编码之间的差异在于每个字符使用多少字节。 关于u
是否存在可以用 UTF-16 编码但不能用 UTF-8 编码的字符 最佳答案 没有。 UTF-* 是可以对全范围 Unicode 字符进行编码的编码。 编码之间的差异在于每个字符使用多少字节。 关于u
UTF-16 是一种双字节字符编码。交换两个字节的地址将产生 UTF-16BE 和 UTF-16LE。 但我发现在 Ubuntu gedit 文本编辑器中存在名称 UTF-16 编码,以及 UTF-1
我想将 UTF-16 字符串转换为 UTF-8。我通过 Unicode 发现了 ICU 库。我在转换时遇到问题,因为默认设置是 UTF-16。我试过使用转换器: UErrorCode myError
UTF-16 需要 2 个字节,UTF-8 需要 1 个字节。 而USB是面向8bit的,UTF-8更自然。 UTF-8 向后兼容 ASCII,而 UTF-16 则不然。 UTF-16 需要 2 个字
我对将 unicode 字符转换为十六进制值有点困惑。 我正在使用这个网站获取字符的十六进制值。 ( https://www.branah.com/unicode-converter ) 如果我输入“
我已经用UTF-8编码创建了一个文件,但是我不了解其在磁盘上占用的大小的规则。这是我的完整研究: 首先,我创建了一个带有印地语字母“'”的文件,Windows 7上的文件大小为 8个字节。 现在带有两
如何将WideString(或其他长字符串)转换为UTF-8中的字节数组? 最佳答案 这样的功能将满足您的需求: function UTF8Bytes(const s: UTF8String): TB
我有一个奇怪的验证程序,用于验证utf-8字符串是否是有效的主机名(PHP中的Zend Framework主机名valdiator)。它允许IDN(国际化域名)。它将比较每个子域与由其十六进制字节表示
在 utf16 和 utf32 中,一个字节的零是否意味着空?就像在 utf8 中一样,还是我们需要 2 个和 4 个字节的零来相应地在 utf16 和 utf32 中创建 null? 最佳答案 在
这是基于我的观察,对于 mysql,默认字符集 utf8 有点误导,它不支持完整的 Unicode,因为它无法存储四字节 UTF-8 编码的字符。它实际上是 utf8mb4 字符集,它是完整的 Uni
我只有处理 ASCII(单字节字符)的经验,并且阅读了很多关于人们如何以不同方式处理 Unicode 的帖子,这些帖子提出了他们自己的一系列问题。 此时我对 Unicode 的了解非常有限,我读到过U
我明白 std::codecvt在 C++11 中执行 UTF-16 和 UTF-8 之间的转换,并且 std::codecvt执行 UTF-32 和 UTF-8 之间的转换。是否可以在 UTF-8
我正在编写一个 HTTP 服务器并使用 trivial-utf-8:write-utf-8-bytes 来响应请求。我听说Babel就像trivial-utf-8但效率更高,所以我想试一试。搜索了一段
我正在设计一个新的 CMS,但想要设计它来满足我 future 的所有需求,比如多语言内容,所以我认为 Unicode (UTF-8) 是最好的解决方案 但是通过一些搜索我得到了这篇文章 http:/
例如,假设我在字符串中有以下 xml: 如果我尝试将其插入到带有 Xml 列的 SQL Server 2005 数据库表中,我将收到以下错误(我使用的是 EF 4.1,但我认为这无关紧要): XM
我正在使用 Python CSV 库读取两个 CSV 文件。 一种使用 UTF-8-BOM 编码,另一种使用 UTF-8 编码。在我的实践中,我发现使用“utf-8-sig”作为编码类型可以读取这两个
假设我的数据库设置如下以使用 utf-8(mysql 中的完整 4mb 版本) mysql_query("SET CHARACTER SET utf8mb4"); mysql_query("SET N
我是一名优秀的程序员,十分优秀!