Разное поведение regex в Win и Unix

Question

Пишу на с++ обработку с помощью std::regex и заметил разное поведение в windows и unix якоря конца строки $.

В качестве Unix подсистема Ubuntu 20.04 LTS на WSL2.

Компилятор g++ : g++ main.cpp -o test

Простой пример.

Код:

if (file.is_open())
{
    getline(file, s);
}
file.close();

std::regex r(R"(SOME$)");
const vector<string> syntax_error{
        sregex_token_iterator{s.cbegin(), s.cend(), r, -1},
        sregex_token_iterator{}
};

for (auto error : syntax_error)
{
    cout << error << endl;
}

Входной файл:

SOME
/

Вывод в unix:

SOME

Вывод в Windows(visual studio) пустой, т.е корректный.

Пробовал менять $ на \n, результат тот же. Как добиться одинакового поведения?

Файл input.txt тот же.

Answer 1

Мне удалось воспроизвести эту "ошибку". Как я и думал, проблема не в регулярках, с ними все в порядке. Проблема именно в том, что

Файл input.txt тот же.

да да, что он именно физически один и тот же.

Дело в том, что в Linux и windows приняты разные символы перевода строк. В Linux это 0x0A, в Windows это Ox0D 0x0A. И когда в Linux читается строка, то там на самом деле читается чуточку больше - там получается SOME\0x0D (то есть, ещё один байт). В этом легко убедится, если распечатать длину прочитанной строки. А раз строки разные, то и результат очевидно может быть разным.

Что делать? например, попробовать отрезать этот символ в конце

if (s.back() == 13) s.pop_back();

или просто использовать нативные переводы строк в файле.

БЛОГ НА HUSL

Разное поведение regex в Win и Unix

Ответы (1 шт):