C++非拉丁文本处理的正则使用与字符串遍历方案选型

核心约束：编码库需可脱离Qt环境独立复用，支持西里尔、拉丁字符的码点级遍历与正则校验

各候选方案适配性判定 #

• 方案1（std::string + std::regex 绑定单字节编码）：直接排除。单字节编码无通用Unicode支持能力，无法扩展多语言需求，与UTF-16编码的QString转换需额外处理本地化兼容逻辑，跨平台locale差异还会导致编码错位。
• 方案2（QString + QRegExp）：直接排除。强绑定Qt框架会导致编码库无法脱离Qt复用，完全违背项目拆分目标。
• 方案3（wchar_t / std::wstring / std::wregex）：不推荐。wchar_t宽度在Windows（2字节，对应UTF-16）和类Unix系统（4字节，对应UTF-32）上不统一，std::wstring的存储语义跨平台不兼容，且部分编译器对std::wregex实现不完善，跨平台编译易出问题。
• 方案4（std::u32string + Boost u32regex）：最适配需求。std::u32string基于标准char32_t类型，固定每个元素对应一个Unicode码点，跨平台下存储语义完全统一，满足码点遍历要求。搭配Boost的u32regex可完美支持多Unicode字符的正则匹配，无额外框架依赖，编码库可完全脱离Qt独立复用。如果对外需要接收UTF-8格式的std::string输入，仅需在库内部加入UTF-8到UTF-32的转换逻辑即可；GUI层仅需做UTF-16 QString与UTF-32码点串的单向转换，逻辑清晰。

原参考代码优化提示 #

原示例对单个字符单独调用regex_match，会反复触发正则编译，性能开销极大。实际实现可调整为：

1. 输入合法性校验仅对整个字符串执行一次正则匹配即可；
2. 遍历字符做转换时，直接通过码点的数值范围判断所属分组，无需对单个字符单独运行正则，既满足正则校验要求，又能大幅提升性能。

适配方案4的参考实现：

#include <string>
#include <stdexcept>
#include <boost/regex.hpp>

std::u32string atbash::encode(const std::u32string& message) {
    // 正则仅初始化一次，整体校验用
    static const boost::u32regex valid_pattern = boost::make_u32regex(U"^[а-яёА-ЯЁa-zA-Z .,]+$");
    if (!boost::regex_match(message, valid_pattern)) {
        throw std::runtime_error("输入仅可包含西里尔字母、拉丁字母、空格、英文句号、英文逗号");
    }

    std::u32string result;
    for (char32_t symbol : message) {
        if (symbol == U' ' || symbol == U'.' || symbol == U',' || symbol == U'ё' || symbol == U'Ё') {
            result += symbol;
        } else if (symbol >= U'а' && symbol <= U'я') {
            result += U'а' + U'я' - symbol;
        } else if (symbol >= U'А' && symbol <= U'Я') {
            result += U'А' + U'Я' - symbol;
        } else if (symbol >= U'a' && symbol <= U'z') {
            result += U'a' + U'z' - symbol;
        } else if (symbol >= U'A' && symbol <= U'Z') {
            result += U'A' + U'Z' - symbol;
        }
    }
    return result;
}

内容的提问来源于stack exchange，提问作者LancerRevolutionX