C ?讀取?UTF-8?及?GBK?系列的文本方法及原理
[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：
其中 Text 抽象類的定義如下：
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(shuō)明，該字符占有 1 字節(jié)。如果起始位為“10”則說(shuō)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(shuō)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 
下載文檔本站聲明： 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
上海2022年5月25日 /美通社/ -- 近日，國(guó)際獨(dú)立第三方檢測(cè)、檢驗(yàn)和認(rèn)證機(jī)構(gòu)德國(guó)萊茵TUV大中華區(qū)（以下簡(jiǎn)稱“TUV萊茵”）攜手英國(guó)建筑研究院（BRE），為上海建科集...
關(guān)鍵字： 照明系統(tǒng) PERFORMANCE 能源管理 GB
熱門文章
- 雷軍談小米市值破萬(wàn)億：股東不用感謝我 你們應(yīng)得的
- DeepSeek新AI模型有多震撼？外媒：相當(dāng)于30美元iPhone降臨
- 80%員工收入過(guò)億！英偉達(dá)造富神話背后：有員工稱給再多錢也不干了
- 傳字節(jié)跳動(dòng)今年將采購(gòu)240億元國(guó)產(chǎn)AI芯片！
- Arm計(jì)劃漲價(jià)300%：考慮提供完整芯片設(shè)計(jì)
- 美國(guó)發(fā)布禁令，封殺中國(guó)網(wǎng)聯(lián)汽車軟硬件！
- 俄羅斯宣布自研EUV光刻機(jī)：比ASML更便宜、更容易制造！
- 消息稱陳立武會(huì)成英特爾CEO：臺(tái)積電、AMD等都是華人在領(lǐng)導(dǎo)
- 美國(guó)宣布新一輪制裁！涉及24種設(shè)備、3款軟件、136家中企（附詳細(xì)名單）
- 美國(guó)將這140家中國(guó)半導(dǎo)體公司列入實(shí)體清單
編輯精選
更多
論壇活動(dòng)
更多
論壇熱帖
- 國(guó)民技術(shù)N32WB031燒錄失敗
- 交流電機(jī)可控硅調(diào)速 困惑
- 請(qǐng)問(wèn)那里可以下到STM8S903K3的中文資料
- 最近在用cmake和GCC開發(fā)，發(fā)現(xiàn)了一個(gè)很嚴(yán)重的問(wèn)題
- 為什么大廠控成本都選擇裁員，而不是降薪？
- 雙運(yùn)放恒流源電路0-20mA輸出異常
- 打算用eclipse開發(fā)GD的mcu程序，已經(jīng)裝好開發(fā)環(huán)境，如果創(chuàng)建新工程呢？
- 工作電流小于2mA(4MHz/5V)工作電流小于10 uA(16KHz/3V)休眠電流小于1 uA(休
- 芯旺有沒(méi)有關(guān)于BMS的管理方案
- AT32A403編譯警告
技術(shù)子站
更多
資料下載
更多
技術(shù)學(xué)院
- 英偉達(dá)Cosmos有哪些主要功能？英偉達(dá)Cosmos的工作原理是什么？
- 你了解Cosmos嗎？Cosmos 推動(dòng)機(jī)器人、自動(dòng)駕駛汽車應(yīng)用
- 英偉達(dá)Cosmos是什么？你了解英偉達(dá)Cosmos世界基礎(chǔ)模型嗎
- 人形機(jī)器人有哪些關(guān)鍵技術(shù)？人形機(jī)器人面臨哪些挑戰(zhàn)？
- NVIDIA GR00T是什么？NVIDIA GR00T工作流介紹
- 揭秘NVIDIA GR00T人形機(jī)器人項(xiàng)目本質(zhì)，快看！
- NVIDIA Omniverse有哪些基本內(nèi)容？NVIDIA Omniverse數(shù)字孿生包括哪些步驟？
- NVIDIA Omniverse如何實(shí)現(xiàn)跨平臺(tái)？NVIDIA Omniverse有哪些核心功能？
