请教高手多模匹配问题

[llyyt85]

现在有很多多模匹配算法，像wu-manber，但这些算法很多不支持中文。遇到有中文的字符串就报错。请教一下，我该怎么改？有源码更好，谢谢。

[至善者善之敌]

帮顶。。

[blowlow]

没用过，但建议你把Unicode转为utf-8，然后再匹配。

[nightkids_008]

友情顶贴。。。KMP

[llyyt85]

wu-manber是一种多模匹配算法，一次可以匹配多个关键词。无奈不支持中文，想自己改算法又水平有限。我想用这个算法过滤中文敏感信息，目前有两种思路：1，将所有的数据转换为指定编码，改进wu-manber算法，使之支持该编码，匹配数据；2，不考虑编码类型，用wu-manber算法尝试各种编码可能，多次匹配。哪位高人有相关资料，烦劳指点一下啊。

[llyyt85]

大家帮帮忙啊，帮忙讲解下中文字符串匹配问题

[llyyt85]

[Quote=引用 2 楼 blowlow 的回复:]

没用过，但建议你把Unicode转为utf-8，然后再匹配。
[/Quote]

linux下怎么转换？如何判断当前字符串的编码类型？

[c_losed]

　UTF8是以8bits即1Bytes为编码的最基本单位，当然也可以有基于16bits和32bits的形式，分别称为UTF16和UTF32，但目前用得不多，而UTF8则被广泛应用在文件储存和网络传输中。
　　编码原理
　　先看这个模板：
　　UCS-4 range (hex.) UTF-8 octet sequence (binary)
　　0000 0000-0000 007F 0xxxxxxx
　　0000 0080-0000 07FF 110xxxxx 10xxxxxx
　　0000 0800-0000 FFFF 1110xxxx 10xxxxxx 10xxxxxx
　　0001 0000-001F FFFF 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
　　0020 0000-03FF FFFF 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
　　0400 0000-7FFF FFFF 1111110x 10xxxxxx ... 10xxxxxx
　　编码步骤：
　　1) 首先确定需要多少个8bits(octets)
　　2) 按照上述模板填充每个octets的高位bits
　　3) 把字符的bits填充至x中，字符顺序：低位→高位，UTF8顺序：最后一个octet的最末位x→第一个octet最高位x
　　根据UTF8编码,最多可由6个字节组成,所以UTF8是1-6字节编码组成
　　C++代码如下:

int IsTextUTF8(char* str,ULONGLONG length)
　　{
　　int i;
　　DWORD nBytes=0;//UFT8可用1-6个字节编码,ASCII用一个字节
　　UCHAR chr;
　　BOOL bAllAscii=TRUE; //如果全部都是ASCII, 说明不是UTF-8
　　for(i=0;i<length;i++)
　　{
　　chr= *(str+i);
　　if( (chr&0x80) != 0 ) // 判断是否ASCII编码,如果不是,说明有可能是UTF-8,ASCII用7位编码,但用一个字节存,最高位标记为0,o0xxxxxxx
　　bAllAscii= FALSE;
　　if(nBytes==0) //如果不是ASCII码,应该是多字节符,计算字节数
　　{
　　if(chr>=0x80)
　　{
　　if(chr>=0xFC&&chr<=0xFD)
　　nBytes=6;
　　else if(chr>=0xF8)
　　nBytes=5;
　　else if(chr>=0xF0)
　　nBytes=4;
　　else if(chr>=0xE0)
　　nBytes=3;
　　else if(chr>=0xC0)
　　nBytes=2;
　　else
　　{
　　return FALSE;
　　}
　　nBytes--;
　　}
　　}
　　else //多字节符的非首字节,应为 10xxxxxx
　　{
　　if( (chr&0xC0) != 0x80 )
　　{
　　return FALSE;
　　}
　　nBytes--;
　　}
　　}
　　if( nBytes > 0 ) //违返规则
　　{
　　return FALSE;
　　}
　　if( bAllAscii ) //如果全部都是ASCII, 说明不是UTF-8
　　{
　　return FALSE;
　　}
　　return TRUE;
　　}

from

[luciferisnotsatan]

[Quote=引用 5 楼 llyyt85 的回复:]

引用 2 楼 blowlow 的回复:

没用过，但建议你把Unicode转为utf-8，然后再匹配。


linux下怎么转换？如何判断当前字符串的编码类型？
[/Quote]
linux下用iconv库

[赵4老师]

//GBK汉字内码范围（不包括A1xx～A9xx的标点符号英文字母特殊符号等）
//区码 ,位码
//81-A0 ,40-7E 80-FE
//AA-AF ,40-7E 80-A0
//B0-D6 ,40-7E 80-FE
//D7 ,40-7E 80-F9
//D8-F7 ,40-7E 80-FE
//F8-FE ,40-7E 80-A0

[wuyuwww]

++帮顶

[ArtStealer]

帮顶
偶只会KMP匹配。

[llyyt85]

中文字符的编码方式好多。哪位有好的源码啊？帮帮我

[llyyt85]

有好的思路也行啊。

[llyyt85]

救命啊，快沉了

[llyyt85]

在程序中遇到不支持中文的时候，一般都怎么解决的啊?各位老师指点下啊

[angelsys]

去看 柔性字符串匹配 或直接看grep agrep 的源码