如何用C中的其他字符更改多字符符号？

Question

我有一个 UTF-8 文本文件，其中包含几个我想被其他人更改的标志（仅限于 |( 和 |) 之间的那些），但问题是有些这些符号中的一些不被视为字符，而是被视为多字符符号。 （我的意思是它们不能放在“∞”之间，而只能放在“∞”之间，所以 char * ？）

这是我的文本文件：

Text : |(abc∞∪v=|)

例如：

∞ 应改为 ¤c

∪ by ¸!

= 更改为 "

因此，由于某些符号（∞ 和 ∪）是多字符，我决定使用 fscanf 逐字获取所有文本。这种方法的问题是我必须在每个字符之间放置空格......我的文件应该如下所示：

Text : |( a b c ∞ ∪ v = |)

fgetc 不能使用，因为 ∞ 之类的字符不能被视为单个字符。如果我使用它，我将无法使用每个符号（char *）strcmp 一个字符，我试图转换我的char 到 char* 但 strcmp !=0。

这是我的 C 代码，可帮助您理解我的问题：

#include <stdlib.h>
#include <stdio.h>
#include <string.h>

int main(void){
    char *carac[]={"∞","=","∪"}; //array with our signs
    FILE *flot,*flot3;
    flot=fopen("fichierdeTest2.txt","r"); // input text file
    flot3=fopen("resultat.txt","w"); //output file
    int i=0,j=0;
    char a[1024]; //array that will contain each read word.
    while(!feof(flot))
    {
        fscanf(flot,"%s",&a[i]);
        if (strstr(&a[i], "|(") != NULL){ // if the word read contains |(  then j=1
            j=1;
            fprintf(flot3,"|(");
        }
        if (strcmp(&a[i], "|)") == 0)
            j=0;
        if(j==1) { //it means we are between |( and |) so the conversion can begin
            if (strcmp(carac[0], &a[i]) == 0) { fprintf(flot3, "¤c"); }
            else if (strcmp(carac[1], &a[i]) == 0) { fprintf(flot3,"\"" ); }
            else if (strcmp(carac[2], &a[i]) == 0) { fprintf(flot3, " ¸!"); }
            else fprintf(flot3,"%s",&a[i]); // when it's a letter, number or sign that doesn't need to be converted
        }
        else { // when we are not between |( and |) just copy the word to the output file with a space after it
            fprintf(flot3, "%s", &a[i]);
            fprintf(flot3, " ");
        }
        i++;
    }
}

非常感谢您以后的帮助！

编辑：如果我在每个符号之间放置一个空格，每个符号都会正确更改，但如果没有，它将不起作用，这就是我要解决的问题。

Answer 1

首先，正确使用术语。正确的术语有点令人困惑，但至少其他人会理解你在说什么。

在 C 中，char 与 byte 相同。然而，character 是抽象的东西，例如 ∞ 或 ¤ 或 c。一个字符可能包含几个字节（即几个chars）。这种字符称为多字节字符。

将字符转换为字节序列（编码）并非易事。不同的系统做的不同；一些使用UTF-8，而另一些可能使用UTF-16 big-endian、UTF-16 little endian、8 位 codepage 或任何其他编码。

当您的 C 程序在引号内包含某些内容时，例如 "∞" - 它是一个 C 字符串，即几个以零字节结尾的 字节。当您的代码使用strcmp 比较字符串时，它会比较两个字符串的每个字节，以确保它们相等。因此，如果您的源代码和输入文件使用不同的编码，则字符串（字节序列）将不匹配，即使您在检查它们时会看到相同的字符！

---

因此，为了排除任何编码不匹配，您可能希望在源代码中使用字节序列而不是字符。例如，如果您知道您的输入文件使用 UTF-8 编码：

char *carac[]={
    "\xe2\x88\x9e", // ∞
    "=",
    "\xe2\x88\xaa"}; // ∪

或者，确保（源代码和程序的输入文件的）编码相同。

---

另一个不那么微妙的问题：比较字符串时，实际上有一个大字符串和一个小字符串，并且您想检查大字符串是否以小字符串开头。这里strcmp 做错了！您必须在此处使用strncmp：

if (strncmp(carac[0], &a[i], strlen(carac[0])) == 0)
{
    fprintf(flot3, "\xC2\xA4""c"); // ¤c
}

---

另一个问题（实际上是一个主要错误）：fscanf 函数从输入文件中读取了一个单词（由空格分隔的文本）。如果只检查该字中的第一个字节，则不会处理其他字节。要修复，请对所有字节进行循环：

fscanf(flot,"%s",a);
for (i = 0; a[i] != '\0'; )
{
    if (strncmp(&a[i], "|(", 2)) // start pattern
    {
        now_replacing = 1;
        i += 2;
        continue;
    }
    if (now_replacing)
    {
        if (strncmp(&a[i], whatever, strlen(whatever)))
        {
            fprintf(...);
            i += strlen(whatever);
        }
    }
    else
    {
        fputc(a[i], output);
        i += 1; // processed just one char
    }
}

Answer 2

您在正确的轨道上，但您需要以不同于字符串的方式看待字符。

strcmp(carac[0], &a[i])

（假装i = 2）如您所知，这会将字符串"∞" 与&a[2] 进行比较。但是您忘记了 &a[2] 是字符串的第二个字符的地址，而 strcmp 的工作原理是扫描整个字符串，直到遇到空终止符。所以 "∞" 实际上最终会与 "abc∞∪v=|)" 进行比较，因为 a 只是在最后以 null 结尾。

您应该做的不是使用字符串，而是将每个字符（8 位）扩展为一个短字符（16 位）。然后您可以将它们与您的 UTF-16 字符进行比较

if( 8734 = *((short *)&a[i])) { /* character is infinity */ }

那个 8734 的原因是因为那是 UTF16 value of infinity。

非常重要的提示： 对于这种情况，取决于您的机器是大端还是小端。如果 8734 (0x221E) 不起作用，请尝试 7714 (0x1E22)。

编辑 我忽略的另一件事是您正在一次扫描整个字符串。 “%s：字符串。这将读取后续字符，直到找到空格（空格字符被认为是空白、换行符和制表符）。” (source)

//feof = false.
fscanf(flot,"%s",&a[i]); 
//feof = ture.

这意味着您永远不会真正进行迭代。您需要返回并重新考虑您的扫描程序。