Linux find 正則為何用 [^x{4e00}-x{9fa5}] 匹配含漢字檔名？POSIX ERE 與雙位元組字元的特殊語義

指令與現象

find . -regextype "posix-extended" -regex "./[^x{4e00}-x{9fa5}]+.*"

此指令在 Ubuntu 14.04 上能匹配「含有漢字」的檔名，而直覺上 [x{4e00}-x{9fa5}] 才是漢字區間。

根本原因：POSIX ERE 中 [^...] 的字元類別語義

在 POSIX Extended Regular Expression（ERE）規範中，[^...] 內的 x{XXXX} 不代表 Unicode 碼位，而是被視為字面字元序列：x、{、4、e、0、0、}。因此 [^x{4e00}-x{9fa5}] 實際意義是：

「不包含字元 x、{、4、e、0、}、-、9、f、a、5 的任意單一字元」

為何反而能匹配漢字檔名？

• 典型漢字 UTF-8 編碼為 3 位元組（如 中 = E4 B8 AD），不含上述任何單一 ASCII 字元。
• 純 ASCII 檔名（如 abc.txt）包含 a、b、c 等，a 不在排除集合中，但 b、c 也不在，理論上也會匹配——實測顯示行為取決於 find 對多位元組字元的逐位元組比對邏輯與當前 locale（LC_CTYPE）。
• 實務上，此寫法屬於「誤打誤撞」利用了 find 在 zh_TW.UTF-8 locale 下將多位元組字元視為「非單一字節字元」的特性，並非可靠的漢字檢測方式。

正確且可移植的做法

方案一：使用 grep -P（PCRE）支援 Unicode 屬性

find . -type f -print0 | grep -zP '[\p{Han}]' | tr '\0' '\n'

\p{Han} 精確匹配所有漢字（CJK Unified Ideographs）。

方案二：Perl/Python 單行腳本

python3 -c "
import sys, os, re
for root,_,files in os.walk('.'):
    for f in files:
        if re.search(r'[\u4e00-\u9fa5]', f):
            print(os.path.join(root, f))
"

方案三：若必須用 find 內建 regex，改用字節範圍近似

# 僅示意，實際需視 locale 與 find 版本而定
find . -regextype posix-extended -regex '.*[\x80-\xFF].*'

匹配含非 ASCII 位元組的檔名，間接涵蓋 UTF-8 漢字（但也會誤判日文假名、韓文諺文等）。

總結

原指令之所以「能用」，是 POSIX ERE 對 x{XXXX} 不支援 Unicode 轉義、加上 find 多位元組處理的副作用，屬於未定義/實作相關行為。生產環境請改用 PCRE 或程式語言的 Unicode 正則，確保語義明確、跨平台一致。