Multi-Byte-Zeichen in libc regcomp und regexec

Question

Gibt es sowieso libc6 's regexp Funktionen regcomp und regexec ordnungsgemäß mit Multi-Byte-Zeichen zu arbeiten?

Zum Beispiel, wenn mein Muster die utf8 Zeichen 猫机+猫 ist, wird das Finden einer Übereinstimmung auf der utf8 codierten Zeichenfolge 猫机机机猫 fehlschlagen, wo es erfolgreich sein sollte.

Ich denke, das liegt daran, dass der Charakter 机 ‚s Bytedarstellung \xe6\x9c\xba ist, und die + wird eine oder mehrere der Byte \xba entsprechen. Ich kann diese Instanz arbeiten lassen, indem ich Klammern um jedes Multibyte-Zeichen im Muster platziere, aber da dies für eine Anwendung ist, kann ich nicht von Benutzern verlangen, dies zu tun.

Gibt es eine Möglichkeit, ein Muster oder eine Zeichenfolge zu kennzeichnen, die utf8 Zeichen enthält? Vielleicht libc sagen, das Muster als wchar statt char zu speichern?

Answer 1

Können Sie eine Regex verwenden, um Ihre Regex zu erstellen? Hier ist ein Javascript-Beispiel (obwohl ich weiß, Sie verwenden js nicht):

function Examp() { 
 
    var uString = "猫机+猫+猫ymg+sah猫"; 
 
    var plussed = uString.replace(/(.)(?=[\+\*])/ig,"($1)"); 
 
    console.log("Starting with string: " + uString + "\r\n" + "Result: " + plussed); 
 
    uString = "猫机+猫*猫ymg+s\\a+I+h猫"; 
 
    plussed = uString.replace(/(\\?.)(?=[\+\*])/ig,"($1)"); 
 
    console.log("You can even take this a step further and account for a character being escaped, if that's a consideration.") 
 
    console.log("Starting with string: " + uString + "\r\n" + "Result: " + plussed); 
 
}

<input type="button" value="Run" onclick="Examp()" />

Answer 2

Gibt es eine Möglichkeit, um Flagge ein Muster oder eine Zeichenfolge als enthält UTF8-Zeichen übereinstimmen?

Ich vermute, dass LC_CTYPE Umgebungsvariable (oder andere Locale-Einstellungen) ist die way to make regcomp/regexec understand your encoding.

Zumindest grep Programm scheint es zu berücksichtigen, wie in https://stackoverflow.com/a/40809461/94687 gezeigt; Ich habe dies nicht mit regcomp Funktion getestet.