caratteri multibyte in libc regcomp e regexec

Question

Esiste comunque la funzione regcomp e di per funzionare correttamente con caratteri multibyte?

Ad esempio, se il mio modello è i caratteri utf8 猫机+猫, la ricerca di una corrispondenza sulla stringa codificata utf8 猫机机机猫 non riuscirà, dove dovrebbe riuscire.

penso che questo sia perché il personaggio s' 机 rappresentazione byte è \xe6\x9c\xba, e il + sta abbinando uno o più dei byte \xba. Posso far funzionare questa istanza mettendo le parentesi attorno a ciascun carattere multibyte nel pattern, ma poiché questo è per un'applicazione, non posso richiedere agli utenti di farlo.

C'è un modo per contrassegnare un motivo o una stringa in modo che corrisponda come contenente caratteri utf8? Forse dicendo a libc di memorizzare il modello come wchar invece di char?

Answer 1

È possibile utilizzare un'espressione regolare per creare un'espressione regolare? Ecco un esempio javascript, (anche se so che non si sta utilizzando js):

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

C'è un modo per segnalare un modello o stringa da abbinare come contenente caratteri utf8?

Ho il sospetto che LC_CTYPE variabile d'ambiente (o di altre impostazioni internazionali correlate) è il way to make regcomp/regexec understand your encoding.

Almeno, il programma grep sembra tenerne conto, come mostrato in https://stackoverflow.com/a/40809461/94687; Non ho provato questo con la funzione regcomp.