當(dāng)前位置：首頁(yè) > 公眾號(hào)精選 > C語(yǔ)言與CPP編程

C 讀取 UTF-8 及 GBK 系列的文本方法及原理

時(shí)間：2021-12-07 10:50:53
關(guān)鍵字： GB   
手機(jī)看文章

掃描二維碼
隨時(shí)隨地手機(jī)看文章

[導(dǎo)讀]1.讀取UTF-8編碼文本原理首先了解UTF-8的編碼方式，UTF-8采用可變長(zhǎng)編碼的方式，一個(gè)字符可占1字節(jié)-6字節(jié)，其中每個(gè)字符所占的字節(jié)數(shù)由字符開始的1的個(gè)數(shù)確定，具體的編碼方式如下：U-00000000–U-0000007F:0xxxxxxxU-00000080–U-00...

1.讀取 UTF-8 編碼文本原理
首先了解 UTF-8 的編碼方式，UTF-8 采用可變長(zhǎng)編碼的方式，一個(gè)字符可占 1 字節(jié) -6 字節(jié)，其中每個(gè)字符所占的字節(jié)數(shù)由字符開始的 1 的個(gè)數(shù)確定，具體的編碼方式如下：
U-00000000 – U-0000007F: 0xxxxxxxU-00000080 – U-000007FF: 110xxxxx 10xxxxxxU-00000800 – U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxxU-00010000 – U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxxU-00200000 – U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxxU-04000000 – U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx因此，對(duì)于每個(gè)字節(jié)如果起始位為“0”則說明，該字符占有 1 字節(jié)。

如果起始位為“10”則說明該字節(jié)不是字符的其實(shí)字節(jié)。

如果起始為為 n 個(gè)“1” 1個(gè)“0”，則說明改字符占有 n 個(gè)字節(jié)。其中1≤n≤6。

因此對(duì)于 UTF-8 的編碼，我們只需要每次計(jì)算每個(gè)字符開始字節(jié)的 1 的個(gè)數(shù)，就可以確定這個(gè)字符的長(zhǎng)度。

GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;letter-spacing: 0.544px;white-space: normal;background-color: rgb(255, 255, 255);color: rgb(34, 34, 34);border-bottom: 1px solid rgb(238, 238, 238);line-height: 1.75em;box-sizing: border-box !important;overflow-wrap: break-word !important;">2.讀取 GBK 系列文本原理

對(duì)于 ASCII、GB2312、GBK 到 GB18030 編碼方法是向下兼容的?，即同一個(gè)字符在這些方案中總是有相同的編碼，后面的標(biāo)準(zhǔn)支持更多的字符。

在這些編碼中，英文和中文可以統(tǒng)一地處理。區(qū)分中文編碼的方法是高字節(jié)的最高位不為 0。

因此我們只需處理好 GB18130，就可以處理與他兼容的所有編碼，對(duì)于GB18130 使用雙字節(jié)變長(zhǎng)編碼。

單字節(jié)部分從 0×0~0x7F 與 ASCII 編碼兼容。雙字節(jié)部分，首字節(jié)從 0×81~0xFE，尾字節(jié)從 0×40~0x7E以及 0×80~0xFE，與 GBK 標(biāo)準(zhǔn)基本兼容。

因此只需檢測(cè)首字節(jié)是否小于 0×81 即可確定其為單字節(jié)編碼還是雙字節(jié)編碼。

GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;letter-spacing: 0.544px;white-space: normal;background-color: rgb(255, 255, 255);color: rgb(34, 34, 34);border-bottom: 1px solid rgb(238, 238, 238);line-height: 1.75em;box-sizing: border-box !important;overflow-wrap: break-word !important;">3.C 代碼實(shí)現(xiàn)

對(duì)于一個(gè)語(yǔ)言處理系統(tǒng)，讀取不同編碼的文本應(yīng)該是最基礎(chǔ)的需求，文本的編碼方式應(yīng)該對(duì)系統(tǒng)其他調(diào)用者透明，只需每次獲取一個(gè)字符即可，而不需要關(guān)注這個(gè)文本的編碼方式。從而我們定義了抽象類 Text，及其接口ReadOneChar，并使兩個(gè)文本類 GbkText 和 UtfText 繼承這個(gè)抽象類，當(dāng)系統(tǒng)需要讀取更多種編碼的文件時(shí)，只需要定義新的類然后繼承該抽象類即可，并不需要更改調(diào)用該類的代碼。從而獲得更好的擴(kuò)展性。

更好的方式是使用簡(jiǎn)單工廠模式，使不同的文本編碼格式對(duì)于調(diào)用類完全透明，簡(jiǎn)單工廠模式詳解請(qǐng)參看：設(shè)計(jì)模式：可復(fù)用面向?qū)ο筌浖A(chǔ)。


其中 Text 抽象類的定義如下：
#ifndef TEXT_H#define TEXT_H#include #include using namespace std;class Text{ protected: char * m_binaryStr; size_t m_length; size_t m_index; public: Text(string path); void SetIndex(size_t index); virtual bool ReadOneChar(string
本站聲明： 本文章由作者或相關(guān)機(jī)構(gòu)授權(quán)發(fā)布，目的在于傳遞更多信息，并不代表本站贊同其觀點(diǎn)，本站亦不保證或承諾內(nèi)容真實(shí)性等。需要轉(zhuǎn)載請(qǐng)聯(lián)系該專欄作者，如若文章內(nèi)容侵犯您的權(quán)益，請(qǐng)及時(shí)聯(lián)系本站刪除。
換一批
延伸閱讀

9月2日消息，不造車的華為或?qū)⒋呱龈蟮莫?dú)角獸公司，隨著阿維塔和賽力斯的入局，華為引望愈發(fā)顯得引人矚目。

關(guān)鍵字： 阿維塔 塞力斯 華為

倫敦2024年8月29日 /美通社/ -- 英國(guó)汽車技術(shù)公司SODA.Auto推出其旗艦產(chǎn)品SODA V，這是全球首款涵蓋汽車工程師從創(chuàng)意到認(rèn)證的所有需求的工具，可用于創(chuàng)建軟件定義汽車。 SODA V工具的開發(fā)耗時(shí)1.5...

關(guān)鍵字： 汽車 人工智能 智能驅(qū)動(dòng) BSP

北京2024年8月28日 /美通社/ -- 越來(lái)越多用戶希望企業(yè)業(yè)務(wù)能7×24不間斷運(yùn)行，同時(shí)企業(yè)卻面臨越來(lái)越多業(yè)務(wù)中斷的風(fēng)險(xiǎn)，如企業(yè)系統(tǒng)復(fù)雜性的增加，頻繁的功能更新和發(fā)布等。如何確保業(yè)務(wù)連續(xù)性，提升韌性，成...

關(guān)鍵字： 亞馬遜 解密 控制平面 BSP

8月30日消息，據(jù)媒體報(bào)道，騰訊和網(wǎng)易近期正在縮減他們對(duì)日本游戲市場(chǎng)的投資。

關(guān)鍵字： 騰訊 編碼器 CPU

8月28日消息，今天上午，2024中國(guó)國(guó)際大數(shù)據(jù)產(chǎn)業(yè)博覽會(huì)開幕式在貴陽(yáng)舉行，華為董事、質(zhì)量流程IT總裁陶景文發(fā)表了演講。

關(guān)鍵字： 華為 12nm EDA 半導(dǎo)體

8月28日消息，在2024中國(guó)國(guó)際大數(shù)據(jù)產(chǎn)業(yè)博覽會(huì)上，華為常務(wù)董事、華為云CEO張平安發(fā)表演講稱，數(shù)字世界的話語(yǔ)權(quán)最終是由生態(tài)的繁榮決定的。

關(guān)鍵字： 華為 12nm 手機(jī) 衛(wèi)星通信

要點(diǎn)： 有效應(yīng)對(duì)環(huán)境變化，經(jīng)營(yíng)業(yè)績(jī)穩(wěn)中有升 落實(shí)提質(zhì)增效舉措，毛利潤(rùn)率延續(xù)升勢(shì) 戰(zhàn)略布局成效顯著，戰(zhàn)新業(yè)務(wù)引領(lǐng)增長(zhǎng) 以科技創(chuàng)新為引領(lǐng)，提升企業(yè)核心競(jìng)爭(zhēng)力 堅(jiān)持高質(zhì)量發(fā)展策略，塑強(qiáng)核心競(jìng)爭(zhēng)優(yōu)勢(shì)...

關(guān)鍵字： 通信 BSP 電信運(yùn)營(yíng)商 數(shù)字經(jīng)濟(jì)

北京2024年8月27日 /美通社/ -- 8月21日，由中央廣播電視總臺(tái)與中國(guó)電影電視技術(shù)學(xué)會(huì)聯(lián)合牽頭組建的NVI技術(shù)創(chuàng)新聯(lián)盟在BIRTV2024超高清全產(chǎn)業(yè)鏈發(fā)展研討會(huì)上宣布正式成立。 活動(dòng)現(xiàn)場(chǎng) NVI技術(shù)創(chuàng)新聯(lián)...

關(guān)鍵字： VI 傳輸協(xié)議 音頻 BSP

北京2024年8月27日 /美通社/ -- 在8月23日舉辦的2024年長(zhǎng)三角生態(tài)綠色一體化發(fā)展示范區(qū)聯(lián)合招商會(huì)上，軟通動(dòng)力信息技術(shù)（集團(tuán)）股份有限公司（以下簡(jiǎn)稱"軟通動(dòng)力"）與長(zhǎng)三角投資（上海）有限...

關(guān)鍵字： BSP 信息技術(shù)
關(guān)閉