中文正則表達式庫選型與自製指南：Boost、PCRE、ATL、Greta 深度評測

處理中文文本時，多位元組編碼 (Big5/GBK/UTF-8) 讓正則表達式庫面臨嚴峻挑戰。本文深度評測主流庫的中文支援現狀，並分享自製多位元組相容正則引擎的關鍵設計思路。

主流庫中文支援現狀評測

核心痛點：STL 與多位元組迭代器

需求範例：`/漢字[ ]+[^ ，,]+[ ]*[，,][ ]*[^ ，,]+` 匹配 `/漢字 蘭征鵬 ，正則表達式`。
`std::basic_string` 僅預設特化 `char`/`wchar_t`，無內建多位元組迭代器。`std::search` 直接用於 MBCS 會匹配到漢字內碼片段（如三個漢字中間四個位元組）。

解決方案比較

1. 轉 Unicode 處理：`MultiByteToWideChar` → `wstring` → regex → 位置映射回 MBCS。最穩健，但雙向轉換有效能成本。
2. 自製 MBCS 迭代器：實作符合 STL 概念的 `mbc_iterator`，正確遞增/遞減邏輯。技術難度高，需深入理解編碼規則。
3. 嵌入腳本引擎：Lua/Python/Ruby 內建完善 Unicode 支援。功能強但增加依賴體積。
4. PCRE UTF-8 模式：源碼編譯啟用 `PCRE_UTF8`，直接處理 UTF-8 位元組流。**最推薦平衡方案**。

自製正則引擎關鍵設計決策

作者嘗試自製解析器，面臨的語義決策：

• ^ 單行模式：僅匹配字串開頭，中間出現視為語法錯誤？
• ^ 多行模式：匹配行首 (含 `\n` 後) 還是僅字串開頭？
• $ 多行模式：匹配行尾 (含 `\n` 前) 還是字串結尾？
• ^$ 空行匹配：語法錯誤？匹配空字串？匹配 `\n\n` 間的空行？

不同工具 (grep/VC/UE) 行為不一，需參考 POSIX/Perl 標準並明確文件化。

社群討論精華

• cloudwu：建議統一轉 Unicode 處理，位置映射不難
• kyo：精確位置需求下，`wchar_t` 找到後逐字元轉回 `char` 可得原始位移
• 匿名：單行模式 `^` 中間可匹配 (如 `a?^b` 匹配 `bcd`)，不應禁止
• 孟巖：靜下心寫迭代器其實不難，但需深入編碼細節

建議決策樹

需要標準 regex 語法？
  ├─ 是 → PCRE (UTF-8) / Boost.Regex / Onigmo (Ruby)
  │        └─ 嵌入輕量？ → PCRE 靜態連結
  └─ 否 → Lua Pattern / 自製簡易解析器
         └─ 極簡需求 → 手寫狀態機 / strstr 變體

原始碼與資源

• PCRE 官網：pcre.org (含 Windows 建置說明)
• Boost.Regex：Boost 文檔
• Onigmo：GitHub (Ruby 正則引擎獨立版)
• 本文配套：自製解析器原型碼 (早期版本)