Question

在我的语言环境中（et_EE）[a-z]表示：

abcdefghijklmnopqrsšz

因此，不包括6个ASCII字符（tuvwxy）和一个来自爱沙尼亚字母（ž）。我看到很多模块仍在使用像

这样的正则表达式

/\A[0-9A-Z_a-z]+\z/

对我来说，定义ASCII字母数字字符范围似乎是错误的方法，我认为它应该替换为：

/\A\p{PosixAlnum}+\z/

第一个仍然被认为是惯用的方式吗？或接受解决方案？还是个bug？

或者最后一个警告？

Answer 1

回到旧的Perl 3.0天，一切都是ASCII，Perl反映了这一点。 \w与[0-9A-Z_a-z]的含义相同。而且，我们喜欢它！

但是，Perl不再绑定到ASCII。我刚才停止使用[a-z]，因为当我写的程序不适用于不是英语的语言时，我被大吼大叫。作为一个美国人，你一定想到了我的惊喜，发现这个世界上有数千名不会说英语的人至少。

无论如何，Perl有更好的处理方式[0-9A-Z_a-z]。您可以使用[[:alnum:]]集，或只使用\w来做正确的事情。如果您只能使用小写字符，则可以使用[[:lower:]]代替[a-z]（假设使用英语类型的语言）。（即使在EBCDIC平台上，Perl也会花一些时间来获得[a-z]意味着26个字符a，b，c，... z。）

如果您只需要指定ASCII，则可以添加/a限定符。如果您指的是特定于语言环境，则应在“使用语言环境”的词法范围内编译正则表达式。（避免使用/ l修饰符，因为它仅适用于正则表达式模式，而不包含任何其他内容。例如在's / [[：lower：]] / \ U $＆amp; / lg'中，模式使用locale编译但是\ U不是。这可能应该被认为是Perl中的一个错误，但它是当前工作的方式。/ l修饰符实际上只用于内部簿记，不应该直接输入。）实际上，最好在输入到程序时转换您的语言环境数据，并在输出时将其转换回来，同时在内部使用Unicode。如果你的语言环境是新一代的UTF-8，那么5.16中的一个新功能“使用locale”：not_characters“'可以让你的语言环境的其他部分在Perl中无缝地工作。

$word =~ /^[[:alnum:]]+$/   # $word contains only Posix alphanumeric characters.
$word =~ /^[[:alnum:]]+$/a  # $word contains only ASCII alphanumeric characters.
{ use locale;
  $word =~ /^[[:alnum:]]+$/;# $word contains only alphanum characters for your locale
}

现在，这是一个错误吗？如果程序没有按预期工作，那么这是一个简单明了的错误。如果你真的想要ASCII序列[a-z]，那么程序员应该使用[[:lower:]]和/a限定符。如果您想要所有可能的小写字符，包括其他语言的字符，您只需使用[[:lower:]]。

Answer 2

可能的区域设置错误

您遇到的问题不在于POSIX字符类本身，而是因为这些类依赖于语言环境。例如，正则表达式（7）说：

在括号表达式中，“[：”和“：]”中包含的字符类的名称代表属于该类的所有字符的列表...这些代表wctype中定义的字符类（3 ）。 区域设置可能会提供其他区域。

重点是我的，但手册页明确指出角色类依赖于语言环境。此外，wctype（3）说：

wctype（）的行为取决于当前语言环境的LC_CTYPE类别。

换句话说，如果您的语言环境错误地定义了一个字符类，那么它应该是针对特定语言环境提交的错误。另一方面，如果字符类只是以你不期望的方式定义字符集，那么它可能不是一个bug;它可能只是一个需要编码的问题。

字符类作为快捷方式

字符类是定义集的快捷方式。您当然不限于您的语言环境的预定义集，并且您可以自由使用perlre（1）定义的Unicode字符集，或者只是提供明确创建的集合，如果它提供更高的准确性。

你已经知道这一点，所以我不是想要迂腐。我只是指出，如果你不能或不会修复语言环境（这是问题的根源）那么你应该使用一个显式集，就像你所做的那样。

便利类只有在适合您的用例时才方便。如果没有，就把它抛到一边！

Answer 3

对于 awk，也许在字母表上强制使用八进制代码应该可以避免 awk/poxix/locales 中的不一致

类似的东西

   /[\060-\071       # 0-9
     \101-\132       # A-Z
     \141-\172]/     # a-z

如果你想把它们变成字符串常量，也许把反斜杠加倍，以确保解析器/正则表达式引擎不会变得太聪明并将 "\101" 预转换为 A，并为其“尊重”可能不是您想要的区域设置提供机会。

<块引用>

"\\101"

我们应该考虑使用范围[a-z]作为错误吗？

3 个答案:

可能的区域设置错误

字符类作为快捷方式