- iOS/Objective-C 元类和类别
- objective-c - -1001 错误,当 NSURLSession 通过 httpproxy 和/etc/hosts
- java - 使用网络类获取 url 地址
- ios - 推送通知中不播放声音
我想将一些文件(大约 1000 个)拆分为单词并删除数字和标点符号。然后我将相应地处理这些标记化的词......但是,这些文件大部分是德语,并且以不同的类型编码:
我面临的问题是我找不到正确的申请方式 Character Conversion functions例如 tolower()
当我使用 std::cout
时,我还会在终端中看到一些奇怪的图标在 Ubuntu linux
.
例如,在非 UTF-8 文件中,单词 französische
显示为franz�sische
, für
作为 f�r
等......另外,像Örebro
这样的词或 Österreich
被 tolower()
忽略.据我所知"Unicode replacement character" � (U+FFFD)
为程序在尝试处理 Unicode 时无法正确解码的任何字符插入。
当我打开 UTF-8 文件时,我没有看到任何奇怪的字符,但我仍然无法转换大写特殊字符,例如 Ö
小写...我用了std::setlocale(LC_ALL, "de_DE.iso88591");
以及我在 stackoverflow 上找到的其他一些选项,但我仍然没有得到所需的输出。
我猜我应该如何解决这个问题:
tolower()
等等就是上面的algorithm
可行还是复杂性会飙升?
解决这个问题的正确方法是什么?如何使用某种编码选项打开文件?
<强>1。我的操作系统是否应该启用相应的区域设置作为全局变量来处理(不打扰控制台如何显示它)文本?(例如在 linux 中,当我使用 -locale -a
时我没有启用 de_DE)
<强>2。此问题是否仅由于终端默认编码而可见?在使用 C++ 正常处理提取的字符串之前,我是否需要采取任何进一步的步骤?
我的 Linux 语言环境:
LANG=en_US.UTF-8
LANGUAGE=en_US
LC_CTYPE="en_US.UTF-8"
LC_NUMERIC=el_GR.UTF-8
LC_TIME=el_GR.UTF-8
LC_COLLATE="en_US.UTF-8"
LC_MONETARY=el_GR.UTF-8
LC_MESSAGES="en_US.UTF-8"
LC_PAPER=el_GR.UTF-8
LC_NAME=el_GR.UTF-8
LC_ADDRESS=el_GR.UTF-8
LC_TELEPHONE=el_GR.UTF-8
LC_MEASUREMENT=el_GR.UTF-8
LC_IDENTIFICATION=el_GR.UTF-8
LC_ALL=
C
C.UTF-8
el_GR.utf8
en_AG
en_AG.utf8
en_AU.utf8
en_BW.utf8
en_CA.utf8
en_DK.utf8
en_GB.utf8
en_HK.utf8
en_IE.utf8
en_IN
en_IN.utf8
en_NG
en_NG.utf8
en_NZ.utf8
en_PH.utf8
en_SG.utf8
en_US.utf8
en_ZA.utf8
en_ZM
en_ZM.utf8
en_ZW.utf8
POSIX
这是我编写的一些示例代码,但无法按我想要的方式运行。
void processFiles() {
std::string filename = "17454-8.txt";
std::ifstream inFile;
inFile.open(filename);
if (!inFile) {
std::cerr << "Failed to open file" << std::endl;
exit(1);
}
//calculate file size
std::string s = "";
s.reserve(filesize(filename) + std::ifstream::pos_type(1));
std::string line;
while( (inFile.good()) && std::getline(inFile, line) ) {
s.append(line + "\n");
}
inFile.close();
std::cout << s << std::endl;
//remove punctuation, numbers, tolower,
//TODO encoding detection and specific transformation (cannot catch Ö, Ä etc) will add too much complexity...
std::setlocale(LC_ALL, "de_DE.iso88591");
for (unsigned int i = 0; i < s.length(); ++i) {
if (std::ispunct(s[i]) || std::isdigit(s[i]))
s[i] = ' ';
if (std::isupper(s[i]))
s[i]=std::tolower(s[i]);
}
//std::cout << s << std::endl;
//tokenize string
std::istringstream iss(s);
tokens.clear();
tokens = {std::istream_iterator<std::string>{iss}, std::istream_iterator<std::string>{}};
for (auto & i : tokens)
std::cout << i << std::endl;
//PROCESS TOKENS
return;
}
最佳答案
Unicode 为字符定义了“代码点”。 代码点 是一个 32 位值。
有一些类型的编码。 ASCII 仅使用 7 位,这给出了 128 个不同的字符。微软使用第 8 位来定义另外 128 个字符,这取决于语言环境,称为“代码页”。如今 MS 使用 UTF-16 2 字节编码。因为这对于整个 Unicode 集来说还不够,UTF-16 也依赖于语言环境,其名称与 Unicode 的名称“Latin-1”或“ISO-8859-1”等相匹配。
Linux 中最常用的(通常用于文件)是 UTF-8,它为每个字符使用可变字节数。前 128 个字符与 ASCII 字符完全相同,每个字符只有一个字节。要表示一个字符,UTF8 最多可以使用 4 个字节。更多信息在 Wikipedia .
虽然 MS 对文件和 RAM 使用 UTF-16,但 Linux 可能对 RAM 使用 UFT-32。
为了读取一个文件,你需要知道它的编码。试图检测它是一场真正的噩梦,可能不会成功。 std::basic_ios::imbue的使用允许您为流设置所需的语言环境,如 this SO answer
tolower并且这些功能可以与语言环境一起使用,例如
#include <iostream>
#include <locale>
int main() {
wchar_t s = L'\u00D6'; //latin capital 'o' with diaeresis, decimal 214
wchar_t sL = std::tolower(s, std::locale("en_US.UTF-8")); //hex= 00F6, dec= 246
std::cout << "s = " << s << std::endl;
std::cout << "sL= " << sL << std::endl;
return 0;
}
输出:
s = 214
sL= 246
在这个other SO answer您可以找到很好的解决方案,如使用 iconv Linux或 iconv W32图书馆。
在 Linux 中,终端可以在 LC_ALL
、LANG
和 LANGUAGE
的帮助下设置为使用语言环境>,例如:
//Deutsch
LC_ALL="de_DE.UTF-8"
LANG="de_DE.UTF-8"
LANGUAGE="de_DE:de:en_US:en"
//English
LC_ALL="en_US.UTF-8"
LANG="en_US.UTF-8"
LANGUAGE="en_US:en"
关于c++ - 如何在 C++ 中对具有不同编码的文本文件应用 <cctype> 函数,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/49705874/
#include using namespace std; class C{ private: int value; public: C(){ value = 0;
这个问题已经有答案了: What is the difference between char a[] = ?string?; and char *p = ?string?;? (8 个回答) 已关闭
关闭。此题需要details or clarity 。目前不接受答案。 想要改进这个问题吗?通过 editing this post 添加详细信息并澄清问题. 已关闭 7 年前。 此帖子已于 8 个月
除了调试之外,是否有任何针对 c、c++ 或 c# 的测试工具,其工作原理类似于将独立函数复制粘贴到某个文本框,然后在其他文本框中输入参数? 最佳答案 也许您会考虑单元测试。我推荐你谷歌测试和谷歌模拟
我想在第二台显示器中移动一个窗口 (HWND)。问题是我尝试了很多方法,例如将分辨率加倍或输入负值,但它永远无法将窗口放在我的第二台显示器上。 关于如何在 C/C++/c# 中执行此操作的任何线索 最
我正在寻找 C/C++/C## 中不同类型 DES 的现有实现。我的运行平台是Windows XP/Vista/7。 我正在尝试编写一个 C# 程序,它将使用 DES 算法进行加密和解密。我需要一些实
很难说出这里要问什么。这个问题模棱两可、含糊不清、不完整、过于宽泛或夸夸其谈,无法以目前的形式得到合理的回答。如需帮助澄清此问题以便重新打开,visit the help center . 关闭 1
有没有办法强制将另一个 窗口置于顶部? 不是应用程序的窗口,而是另一个已经在系统上运行的窗口。 (Windows, C/C++/C#) 最佳答案 SetWindowPos(that_window_ha
假设您可以在 C/C++ 或 Csharp 之间做出选择,并且您打算在 Windows 和 Linux 服务器上运行同一服务器的多个实例,那么构建套接字服务器应用程序的最明智选择是什么? 最佳答案 如
你们能告诉我它们之间的区别吗? 顺便问一下,有什么叫C++库或C库的吗? 最佳答案 C++ 标准库 和 C 标准库 是 C++ 和 C 标准定义的库,提供给 C++ 和 C 程序使用。那是那些词的共同
下面的测试代码,我将输出信息放在注释中。我使用的是 gcc 4.8.5 和 Centos 7.2。 #include #include class C { public:
很难说出这里问的是什么。这个问题是含糊的、模糊的、不完整的、过于宽泛的或修辞性的,无法以目前的形式得到合理的回答。如需帮助澄清此问题以便重新打开它,visit the help center 。 已关
我的客户将使用名为 annoucement 的结构/类与客户通信。我想我会用 C++ 编写服务器。会有很多不同的类继承annoucement。我的问题是通过网络将这些类发送给客户端 我想也许我应该使用
我在 C# 中有以下函数: public Matrix ConcatDescriptors(IList> descriptors) { int cols = descriptors[0].Co
我有一个项目要编写一个函数来对某些数据执行某些操作。我可以用 C/C++ 编写代码,但我不想与雇主共享该函数的代码。相反,我只想让他有权在他自己的代码中调用该函数。是否可以?我想到了这两种方法 - 在
我使用的是编写糟糕的第 3 方 (C/C++) Api。我从托管代码(C++/CLI)中使用它。有时会出现“访问冲突错误”。这使整个应用程序崩溃。我知道我无法处理这些错误[如果指针访问非法内存位置等,
关闭。这个问题不符合Stack Overflow guidelines .它目前不接受答案。 我们不允许提问寻求书籍、工具、软件库等的推荐。您可以编辑问题,以便用事实和引用来回答。 关闭 7 年前。
已关闭。此问题不符合Stack Overflow guidelines 。目前不接受答案。 要求我们推荐或查找工具、库或最喜欢的场外资源的问题对于 Stack Overflow 来说是偏离主题的,因为
我有一些 C 代码,将使用 P/Invoke 从 C# 调用。我正在尝试为这个 C 函数定义一个 C# 等效项。 SomeData* DoSomething(); struct SomeData {
这个问题已经有答案了: Why are these constructs using pre and post-increment undefined behavior? (14 个回答) 已关闭 6
我是一名优秀的程序员,十分优秀!