Question

在Perl 5.8.5中，我需要编写一个正则表达式，它应该匹配包含扩展latin1字符集的整个单词。如果我这样写它是“\ b \ w + \ b”，如果它遇到像这个'û'这样的字符，它会中断。

确保在Perl 5.8.5中使用正则表达式匹配整个单词时，需要做什么才能使用Latin1（ISO8859-1）字符集，包括所有扩展字符？

Perl安装在CentOS 4.6中。 Linux中的locale命令提供以下输出：

LANG=en_US
LC_CTYPE="en_US"
LC_NUMERIC="en_US"
LC_TIME="en_US"
LC_COLLATE="en_US"
LC_MONETARY="en_US"
LC_MESSAGES="en_US"
LC_PAPER="en_US"
LC_NAME="en_US"
LC_ADDRESS="en_US"
LC_TELEPHONE="en_US"
LC_MEASUREMENT="en_US"
LC_IDENTIFICATION="en_US"
LC_ALL=

对于给定的单词，例如。 “abcgrûlerxyz”，不应搜索字符串“gr”的整个单词匹配的正则表达式，在我的情况下搜索的是“grûler”这个单词的子字符串。正则表达式是：

$string =~ /\b\w+\b/;

输出为“gr”，这是不正确的，因为它是一个子串，如上所述。

另外，我不想完全排除扩展字符的匹配。如果需要对整个单词“grûler”进行匹配，那么它也应该与相同的正则表达式一起正常工作。

感谢您的帮助。

Answer 1

正如ikegami指出的那样，你可能根本就没有解码你的输入。确实考虑这个单行（在UTF-8终端上）：

echo "abc grûler xyz" | perl -Mopen=:std,:utf8 -le '$,="\n"; print <> =~ /\b\w+\b/g'

给出了预期的匹配：

abc
grûler
xyz

因为它在匹配之前解码输入字符串，感谢-Mopen=:std,:utf8（这也导致输出被编码）。您可以通过显式解码/编码（通过Encode等）获得相同的内容。

现在从上面的单行中删除-Mopen=:std,:utf8，您将获得与您描述的相同的意外匹配（在'gr'子字符串上）。

更多相关信息：The "Unicode Bug"。

我不知道这个旧的perl是否还有其他问题（perl 5.8.8应该可以工作）。

Answer 2

您需要use locale才能拥有对区域设置敏感的正则表达式。这会影响许多其他Perl方面，因此您可能不希望全局启用它。请参阅perllocale文档。

Perl正则表达式用于包含特殊字符û的整个单词匹配

2 个答案: