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？

Answer 1

这应该可以正常工作，但您需要使用std::wregex和std::wsmatch。您需要将源字符串和正则表达式转换为 wide 字符unicode（Linux上为UTF-32，Windows上为UTF-16（ish））才能使其正常工作。

这适用于我的源文本为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@神谕.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';
    }
}

<强>输出：

神谕

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提供的功能：

Any good solutions for C++ string code point and code unit?

如何在C ++正则表达式中使用Unicode范围

1 个答案: