您好,登錄后才能下訂單哦!
小編給大家分享一下在C程序中如何處理UTF-8文本,希望大家閱讀完這篇文章之后都有所收獲,下面讓我們一起去探討吧!
UTF-8
互聯(lián)網(wǎng)的普及, 強(qiáng)烈要求出現(xiàn)一種統(tǒng)一的編碼方式. UTF-8就是在互聯(lián)網(wǎng)上使用最廣的一種unicode的實(shí)現(xiàn)方式. 其他實(shí)現(xiàn)方式還包括UTF-16和UTF-32, 不過在互聯(lián)網(wǎng)上基本不用.
重復(fù)一遍, 這里的關(guān)系是, UTF-8是Unicode的實(shí)現(xiàn)方式之一.
UTF-8最大的一個(gè)特點(diǎn), 就是它是一種變長(zhǎng)的編碼方式. 它可以使用1~6個(gè)字節(jié)表示一個(gè)符號(hào), 根據(jù)不同的符號(hào)而變化字節(jié)長(zhǎng)度.
UTF-8的編碼規(guī)則
UTF-8的編碼規(guī)則很簡(jiǎn)單, 只有兩條:
1) 對(duì)于單字節(jié)的符號(hào), 字節(jié)的第一位設(shè)為0, 后面7位為這個(gè)符號(hào)的unicode碼. 因此對(duì)于英語字母, UTF-8編碼和ASCII碼是相同的.
2) 對(duì)于n字節(jié)的符號(hào)(n>1), 第一個(gè)字節(jié)的前n位都設(shè)為1, 第n+1位設(shè)為0, 后面字節(jié)的前兩位一律設(shè)為10. 剩下的沒有提及的二進(jìn)制位, 全部為這個(gè)符號(hào)的unicode碼.
如果你對(duì) UTF-8 編碼不是非常了解,就不要試圖在 C 程序中徒手處理 UTF-8 文本。如果你對(duì) UTF-8 非常了解,就更沒必要這樣做。找一個(gè)提供了 UTF-8 文本處理功能并且可以跨平臺(tái)運(yùn)行的 C 庫(kù)來做這件事吧!
GLib 就是這樣的庫(kù)。
從問題出發(fā)
下面的這段文本是 UTF-8 編碼的(我之所以如此確定,是因?yàn)槲矣玫氖?Linux 系統(tǒng),系統(tǒng)默認(rèn)的文本編碼是 UTF-8):
我的 C81 每天都在口袋里 @
我需要在 C 程序中讀入這些文本。在讀到 '@' 字符時(shí),我需要判定 '@' 左側(cè)與之處于同一行的文本是否都是空白字符。
簡(jiǎn)單起見,我忽略了文件讀取的過程,將上述文本表示為 C 字符串:
gchar *demo_text = "我的 C81 每天都在口袋里\n" " @";
注:在 GLib 中,gchar 就是 char,即 typedef char gchar;
下文,當(dāng)我說『demo_text 字符串』時(shí),指的是以 demo_text 指針的值為基地址的 strlen(demo_text) + 1 個(gè)字節(jié)的內(nèi)存空間,這是 C 語言字符串的基本常識(shí)。
UTF-8 文本長(zhǎng)度與字符定位
為了模擬程序讀到 '@' 字符這一時(shí)刻,我需要用一個(gè) char * 類型的指針對(duì) demo_text 字符串中的 '@' 字符進(jìn)行定位。
'@' 字符在 demo_text 的末尾。我需要一個(gè)偏移距離,而這個(gè)偏移距離就是 demo_text 字串在 UTF-8 編碼層次上的長(zhǎng)度,通過這個(gè)偏移距離,我可以從 demo_text 字符串的基地址跳到 '@' 字符的基地址。
GLib 提供了 g_utf8_strlen 函數(shù)計(jì)算 UTF-8 字符串長(zhǎng)度,因此我可以得到從 demo_text 字串的基地址到 '@' 字符基地址的偏移距離:
glong offset = g_utf8_strlen(demo_text, -1);
結(jié)果是 38,恰好是 demo_text 字符串在 UTF-8 編碼層次上的長(zhǎng)度(不含字串結(jié)尾的 null 字符,亦即 '\0' 字符)。
g_utf8_strlen 的原型如下:
glong g_utf8_strlen(const gchar *p, gssize max);
注:glong 即 long,而 gssize 即 signed long。
g_utf8_strlen 第二個(gè)參數(shù) max 的設(shè)定規(guī)則如下:
如果它是負(fù)數(shù),那么就假定字符串是以 null 結(jié)尾的(這是 C 字符串常識(shí)),然后統(tǒng)計(jì) UTF-8 字符的個(gè)數(shù)。
如果它為 0,就是不檢測(cè)字符串長(zhǎng)度……這個(gè)值純粹是出來打醬油的。
如果它為正數(shù),表示的是字節(jié)數(shù)。g_utf8_strlen 會(huì)按照字節(jié)數(shù)從字符串中截取字節(jié),然后再統(tǒng)計(jì)所截取的字節(jié)對(duì)應(yīng)的 UTF-8 字符的個(gè)數(shù)。
有了偏移距離,就可以在 demo_text 中定位 '@' 字符了,即:
gchar *tail = g_utf8_offset_to_pointer(demo_text, offset - 1);
此時(shí) tail 的值便是 '@' 字符的基地址。
在 UTF-8 文本中游走
現(xiàn)在已經(jīng)獲得了 '@' 的位置,接下來就是從這個(gè)位置開始向左(也就是逆序)遍歷 demo_text 字符串的其它字符。GLib 為此提供了 g_utf8_prev_char 函數(shù):
gchar * g_utf8_prev_char(const gchar *str, const gchar *p);
借助 g_utf8_prev_char 函數(shù)可以從 str 中獲得 p 之前的一個(gè) UTF-8 字符的基地址(p 是當(dāng)前 UTF-8 字符的基地址)。如果 p 與 str 相同,即 p 已經(jīng)指向了字符串的基地址,那么 g_utf8_find_prev_char 會(huì)返回 NULL。
對(duì)于本文要解決的問題而言,利用這個(gè)函數(shù),可以寫出從 demo_text 中的 '@' 字符所在位置開始逆序遍歷 '@' 之前的所有 UTF-8 字符的過程:
glong offset = g_utf8_strlen(demo_text, -1); gchar *viewer = g_utf8_offset_to_pointer(demo_text, offset - 1); while (1) { viewer = g_utf8_prev_char(viewer); if (viewer != demo_text) { /* do somthing here */ } else { break; } }
GLib 還提供了一個(gè) g_utf8_next_char,它可以返回當(dāng)前位置的下一個(gè) UTF-8 字符的基地址。
提取 UTF-8 字符
雖然借助 g_utf8_prev_char 與 g_utf8_next_char 可以讓指針在 UTF-8 文本中走動(dòng),但是只能將一個(gè)指針定位到某個(gè) UTF-8 字符的基地址,如果我們想得到這個(gè) UTF-8 字符,就不是那么容易了。
例如
viewer = g_utf8_prev_char(viewer);
此時(shí),雖然可以將 viewer 向前移動(dòng)一個(gè) UTF-8 字符寬度的距離,到達(dá)了一個(gè)新的 UTF-8 字符的基地址,但是如果我想將這個(gè)新的 UTF-8 字符打印出來,像下面這樣做肯定是不行的:
g_print("%s", viewer);
注:g_print 函數(shù)與 C 標(biāo)準(zhǔn)庫(kù)中的 printf 函數(shù)功能基本等價(jià),只不過 g_print 可以借助 g_set_print_handler 函數(shù)實(shí)現(xiàn)輸出的『重定向』。
因?yàn)?g_print 要通過 viewer 打印單個(gè) UTF-8 字符,前提是這個(gè) UTF-8 字符之后需要有個(gè) '\0',這樣就是將一個(gè) UTF-8 字符作為一個(gè)普通的 C 字符串打印了出來。這個(gè) UTF-8 字符后面不可能有 '\0',除非它是 demo_text 字符串中的最后一個(gè)字符。
要解決這個(gè)問題,只能是將 viewer 所指向的 UTF-8 字符相應(yīng)的字節(jié)數(shù)據(jù)提取出來,放到一個(gè)字符數(shù)組或在堆中為其創(chuàng)建存儲(chǔ)空間,然后再打印這個(gè)字符數(shù)組或堆空間中的數(shù)據(jù)。例如:
gchar *new_viewer = g_utf8_next_char(viewer); sizt_t n = new_viewer - viewer; gchar *utf8_char = malloc(n + 1); memcpy(utf8_char, viewer, n); utf8_char[n] = '\0'; g_print("%s", utf8_char); free(utf8_char);
這樣顯然太繁瑣了。不過,這意味著我們應(yīng)該寫一個(gè)函數(shù)專門做這件事。這個(gè)函數(shù)可取名為 get_utf8_char,定義如下:
static gchar * get_utf8_char(const gchar *base) { gchar *new_base = g_utf8_next_char(base); gsize n = new_base - base; gchar *utf8_char = g_memdup(base, (n + 1)); utf8_char[n] = '\0'; return utf8_char; }
借助這個(gè)函數(shù),就可以實(shí)現(xiàn)從 demo_text 的 '@' 所在位置開始,逆序打印 '@' 之前的所有 UTF-8 字符:
glong offset = g_utf8_strlen(demo_text, -1); gchar *viewer = g_utf8_offset_to_pointer(demo_text, offset - 1); while (1) { gchar outbuf[7] = {'\0'}; viewer = g_utf8_prev_char(viewer); if (viewer != demo_text) { gchar *utf8_char = get_utf8_char(viewer); g_print("%s", utf8_char); g_free(utf8_char); } else { break; } } g_print("\n");
注:g_memdup 等價(jià)于 C 標(biāo)準(zhǔn)庫(kù)中的 malloc + memcpy,而 g_free 則等價(jià)與 C 標(biāo)準(zhǔn)庫(kù)中的 free。
空白字符比較
現(xiàn)在,假設(shè)給定一個(gè) UTF-8 字符 x,怎么判斷它與某個(gè) UTF-8 字符相等?
不要忘記,所謂的一個(gè) UTF-8 字符,本質(zhì)上只不過是 char * 類型的指針引用的一段內(nèi)存空間?;谶@一事實(shí),利用 C 標(biāo)準(zhǔn)庫(kù)提供的 strcmp 函數(shù)即可實(shí)現(xiàn) UTF-8 字符的比較。
下面,我定義了函數(shù) is_space,用它判斷一個(gè) UTF-8 字符是否為空白字符。
static gboolean is_space(const gchar *s) { gboolean ret = FALSE; char *space_chars_set[] = {" ", "\t", " "}; size_t n = sizeof(space_chars_set) / sizeof(space_chars_set[0]); for (size_t i = 0; i < n; i++) { if (!strcmp(s, space_chars_set[i])) { ret = TRUE; break; } } return ret; }
注:gboolean 是 GLib 定義的布爾類型,其值要么是 TRUE,要么是 FALSE。
在 is_space 函數(shù)中,我只是判斷了三種空白字符類型——英文空格、中文全角空格以及制表符。
雖然回車符與換行符也是空白字符,但是為了解決這篇文章開始時(shí)提出的問題,我需要單獨(dú)為換行符定義一個(gè)判斷函數(shù):
static gboolean is_line_break(const gchar *s) { return (!strcmp(s, "\n") ? TRUE : FALSE); }
解決問題
現(xiàn)在萬事俱備,只欠東風(fēng),我們應(yīng)該著手解決問題了。如果讀到此處已經(jīng)忘記了問題是什么,那么請(qǐng)回顧第一節(jié)。
盡管下面這段代碼看上去挺丑,但是它能夠解決問題。
gboolean is_right_at_sign = TRUE; glong offset = g_utf8_strlen(demo_text, -1); gchar *viewer = g_utf8_offset_to_pointer(demo_text, offset - 1); while (viewer != demo_text) { viewer = g_utf8_prev_char(viewer); gchar *utf8_char = get_utf8_char(viewer); if (!is_space(utf8_char)) { if (!is_line_break(utf8_char)) { is_right_at_sign = FALSE; g_free(utf8_char); break; } else { g_free(utf8_char); break; } } g_free(utf8_char); } if (is_right_at_sign) g_print("Right @ !\n");
對(duì)上述代碼略做簡(jiǎn)化,可得:
gboolean is_right_at_sign = TRUE; glong offset = g_utf8_strlen(demo_text, -1); gchar *viewer = g_utf8_offset_to_pointer(demo_text, offset - 1); while (viewer != demo_text) { viewer = g_utf8_prev_char(viewer); gchar *utf8_char = get_utf8_char(viewer); if (!is_space(utf8_char)) { if (!is_line_break(utf8_char)) is_right_at_sign = FALSE; g_free(utf8_char); break; } g_free(utf8_char); } if (is_right_at_sign) g_print("Right @ !\n");
其實(shí),如果將 UTF-8 字符的提取與內(nèi)存釋放過程置入 is_space 與 is_line_break 函數(shù),即:
static gboolean is_space(const gchar *c) { gboolean ret = FALSE; gchar *utf8_char = get_utf8_char(c); char *space_chars_set[] = {" ", "\t", " "}; size_t n = sizeof(space_chars_set) / sizeof(space_chars_set[0]); for (size_t i = 0; i < n; i++) { if (!strcmp(utf8_char, space_chars_set[i])) { ret = TRUE; break; } } g_free(utf8_char); return ret; } static gboolean is_line_break(const gchar *c) { gboolean ret = FALSE; gchar *utf8_char = get_utf8_char(c); if (!strcmp(utf8_char, "\n")) ret = TRUE; g_free(utf8_char); return ret; }
可以得到進(jìn)一步的簡(jiǎn)化結(jié)果:
gboolean is_right_at_sign = TRUE; glong offset = g_utf8_strlen(demo_text, -1); gchar *viewer = g_utf8_offset_to_pointer(demo_text, offset - 1); while (viewer != demo_text) { viewer = g_utf8_prev_char(viewer); if (!is_space(viewer)) { if (!is_line_break(viewer)) is_right_at_sign = FALSE; break; } } if (is_right_at_sign) g_print("Right @ !\n");
附:完整的代碼
#include <string.h> #include <glib.h> gchar *demo_text = "我的 C81 每天都在口袋里\n" " @"; static gchar * get_utf8_char(const gchar *base) { gchar *new_base = g_utf8_next_char(base); gsize n = new_base - base; gchar *utf8_char = g_memdup(base, (n + 1)); utf8_char[n] = '\0'; return utf8_char; } static gboolean is_space(const gchar *c) { gboolean ret = FALSE; gchar *utf8_char = get_utf8_char(c); char *space_chars_set[] = {" ", "\t", " "}; size_t n = sizeof(space_chars_set) / sizeof(space_chars_set[0]); for (size_t i = 0; i < n; i++) { if (!strcmp(utf8_char, space_chars_set[i])) { ret = TRUE; break; } } g_free(utf8_char); return ret; } static gboolean is_line_break(const gchar *c) { gboolean ret = FALSE; gchar *utf8_char = get_utf8_char(c); if (!strcmp(utf8_char, "\n")) ret = TRUE; g_free(utf8_char); return ret; } int main(void) { gboolean is_right_at_sign = TRUE; glong offset = g_utf8_strlen(demo_text, -1); gchar *viewer = g_utf8_offset_to_pointer(demo_text, offset - 1); while (viewer != demo_text) { viewer = g_utf8_prev_char(viewer); if (!is_space(viewer)) { if (!is_line_break(viewer)) is_right_at_sign = FALSE; break; } } if (is_right_at_sign) g_print("Right @ !\n"); return 0; }
若是在 Bash 中使用 gcc 編譯這份代碼,可使用以下命令:
$ gcc `pkg-config --cflags --libs glib-2.0` utf8-demo.c -o utf8-demo
看完了這篇文章,相信你對(duì)“在C程序中如何處理UTF-8文本”有了一定的了解,如果想了解更多相關(guān)知識(shí),歡迎關(guān)注億速云行業(yè)資訊頻道,感謝各位的閱讀!
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng),如果涉及侵權(quán)請(qǐng)聯(lián)系站長(zhǎng)郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。