如何查找无法成为Unicode字符串中单词一部分的字符？

Question

我的字符串中有一些文本，我需要检查特定的字符串是否包含任何不允许发音的字符。

假设我有类似“（hello}”的文字

在这里它包含符号'（'和'}'，如何在C ++中实现，而字符串可以包含任何Unicode字符。

Answer 1

如果该字符串确实包含Unicode（UTF-8），则该问题肯定很简单； 您可能需要使用一些外部库，例如ICU。 或者，您可以转换为wchar_t （ wstring ），并使用以下单字节编码解决方案：

如果字符是单字节编码的， std::find_if具有合适谓词的std::find_if应该可以解决问题。 如果您要进行任何文本解析，则需要一劳永逸地将其定义为此类谓词的集合。 谓词可以使用locale的std::ctype方面中的函数，也可以使用wctype.h的函数（使用全局语言环境）。

不过，如果您要处理Unicode，即使转换为宽字符也可能不够，因为完整Unicode仍可以使用多个代码点来表示单个字符。 真正的问题是您想要这样做有多认真。 （也请注意，在许多语言中，例如英语或法语，“单词”可以包含Unicode认为标点的字符，例如“不要”或“ aujourd'hui” — Unicode表将告诉您'\\''为标点，而不是单词的一部分。）

Answer 2

std::isalpha （和相关的is*朋友）在字符类型上进行了模板化，并接受语言环境以实现更好的本地化能力。 我只是遍历string或wstring并使用is*函数来表示您感兴趣的行为（我不能说出您要允许和禁止从问题陈述中选择哪些字符）。

Answer 3

使用std::wstring和std::iswalpha() 。