从C语言的输入文件中读取CJK字符

Question

我有一个文本文件，可以包含中文，日文，韩文（CJK）和英文字符的混合。 我必须验证文件中的英文字符。 仅当行以'$'字符开头时，该文件才能包含CJK字符，该字符代表我的文本文件中的注释。 通过网络搜索，我发现可以使用fgetws()和wchar_t类型读取宽字符。

Q1）但我想知道CJK字符如何存储在我的文本文件中-字节顺序等

Q2）如何循环浏览CJK字符。 由于Unicode字符可以有1到6个字节，所以我不能使用i ++。

任何帮助，将不胜感激。

非常感谢。

Answer 1

您需要将UTF-8文件读取为一系列UTF-32代码点。 例如：

std::shared_ptr<FILE> f(fopen(filename, "r"), fclose);
uint32_t c = 0;
while (utf8_read(f.get(), c))
{
    if (is_english_char(c))
        ...
    else if (is_cjk_char(c))
        ...
    else
        ...
}

其中utf8_read具有签名：

bool utf8_read(FILE *f, uint32_t &c);

现在，根据第一个字节的值， utf8_read可以读取1-4个字节。 请参阅http://en.wikipedia.org/wiki/UTF-8 （谷歌）以获取算法或使用已经可用的库函数。

使用UTF-32代码点，您现在可以检查范围。 对于英语，您可以检查它是否为ASCII（ c < 0x7F ）还是Latin字符（包括对从法语导入的单词的重音字符的支持）。 您可能还希望排除不可打印的控制字符（例如0x01 ）。

对于Latin和/或CJK字符检查，您可以检查字符是否在给定的代码块中（有关代码点范围，请参见http://www.unicode.org/Public/UNIDATA/Blocks.txt ）。 这是最简单的方法。

如果您使用的是具有Unicode支持且具有编写脚本检测功能的库（例如glib库），则可以使用脚本类型来检测字符。 或者，您可以从http://www.unicode.org/Public/UNIDATA/Scripts.txt获取数据：

Name     : Code      : Language(s)
=========:===========:========================================================
Common   : Zyyy      : general punctuation / symbol characters
Latin    : Latn      : Latin languages (English, German, French, Spanish, ...)
Han      : Hans/Hant : Chinese characters (Chinese, Japanese)
Hiragana : Hira      : Japanese
Katakana : Kana      : Japanese
Hangul   : Hang      : Korean

注意：脚本代码来自http://www.iana.org/assignments/language-subtag-registry （ Type == 'script' ）。

Answer 2

您需要了解UTF-8并使用一些UTF8处理库（或自己编写代码）。 仅供参考， Glib （来自GTK）具有UTF-8处理功能，能够处理可变长度的UTF-8字符和字符串。 还有其他UTF-8库，例如iconv-在GNU libc内-以及ICU等。

UTF-8确实定义了多字节UTF8字符（例如中文）的字节顺序和内容。

Answer 3

我正在粘贴示例程序来说明wchar_t处理。 希望它可以帮助某人。

#include <stdio.h>
#include <locale.h>
#include <wchar.h>
#define BUFLEN 1024
int main() {
  wchar_t *wmessage=L"Lets- beginめん（下）　震災後、保存-食で-脚光-（経済ナビゲーター）-lets- end";
  wchar_t warray[BUFLEN + 1];
  wchar_t a = L'z';
  int i=0;
  FILE *fp;
  wchar_t *token = L"-";
  wchar_t *state;
  wchar_t *ptr;
  setlocale(LC_ALL, "");
  /* FIle in current dirrctory containing CJK chars */
  fp = fopen("input", "r");
  if (fp == NULL) {
      printf("%s\n", "Cannot open file!!!");
      return (-1);
  }
  fgetws(warray, BUFLEN, fp);
  wprintf(L"\n *********************START reading from file*******************************\n");
  wprintf(L"%ls\n",warray);
  wprintf(L"\n*********************END reading from file*******************************\n");
  fclose(fp);
  wprintf(L"printing character %lc = <0x%x>\n", a, a);
  wprintf(L"\n*********************START Checking string for Japanese*******************************\n");
  for(i=0;wmessage[i] != '\0';i++) {
      if (wmessage[i] > 0x7F) {
          wprintf(L"\n This is non-ASCII <0x%x> <%lc>", wmessage[i],  wmessage[i]);
      } else {
          wprintf(L"\n This is ASCII <0x%x> <%lc>", wmessage[i],  wmessage[i]);
      }
  }
  wprintf(L"\n*********************END Checking string for Japanese*******************************\n");
  wprintf(L"\n*********************START Tokenizing******************************\n");
  state = wcstok(warray, token, &ptr);
  while (state != NULL) {
      wprintf(L"\n %ls", state);
      state = wcstok(NULL, token, &ptr);
  }
  wprintf(L"\n*********************END Tokenizing******************************\n");
  return 0;
}