- 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/
这是代码片段。 请说出这种用小内存存储大数据的算法是什么。 public static void main(String[] args) { long longValue = 21474836
所以我使用 imap 从 gmail 和 outlook 接收电子邮件。 Gmail 像这样编码 =?UTF-8?B?UmU6IM69zq3OvyDOtc68zrHOuc67IG5ldyBlbWFpb
很久以前就学会了 C 代码;想用 Scheme 尝试一些新的和不同的东西。我正在尝试制作一个接受两个参数并返回两者中较大者的过程,例如 (define (larger x y) (if (> x
Azure 恢复服务保管库有两个备份配置选项 - LRS 与 GRS 这是一个有关 Azure 恢复服务保管库的问题。 当其驻留区域发生故障时,如何处理启用异地冗余的恢复服务保管库?如果未为恢复服务启
说,我有以下实体: @Entity public class A { @Id @GeneratedValue private Long id; @Embedded private
我有下一个问题。 我有下一个标准: criteria.add(Restrictions.in("entity.otherEntity", getOtherEntitiesList())); 如果我的
如果这是任何类型的重复,我会提前申请,但我找不到任何可以解决我的具体问题的内容。 这是我的程序: import java.util.Random; public class CarnivalGame{
我目前正在使用golang创建一个聚合管道,在其中使用“$ or”运算符查询文档。 结果是一堆需要分组的未分组文档,这样我就可以进入下一阶段,找到两个数据集之间的交集。 然后将其用于在单独的集合中进行
是否可以在正则表达式中创建 OR 条件。 我正在尝试查找包含此类模式的文件名列表的匹配项 第一个案例 xxxxx-hello.file 或者案例二 xxxx-hello-unasigned.file
该程序只是在用户输入行数时创建菱形的形状,因此它有 6 个 for 循环; 3 个循环创建第一个三角形,3 个循环创建另一个三角形,通过这 2 个三角形和 6 个循环,我们得到了一个菱形,这是整个程序
我有一个像这样的查询字符串 www.google.com?Department=Education & Finance&Department=Health 我有这些 li 标签,它们的查询字符串是这样
我有一个带有静态构造函数的类,我用它来读取 app.config 值。如何使用不同的配置值对类进行单元测试。我正在考虑在不同的应用程序域中运行每个测试,这样我就可以为每个测试执行静态构造函数 - 但我
我正在寻找一个可以容纳多个键的容器,如果我为其中一个键值输入保留值(例如 0),它会被视为“或”搜索。 map, int > myContainer; myContainer.insert(make_
我正在为 Web 应用程序创建数据库,并正在寻找一些建议来对可能具有多种类型的单个实体进行建模,每种类型具有不同的属性。 作为示例,假设我想为“数据源”对象创建一个关系模型。所有数据源都会有一些共享属
(1) =>CREATE TABLE T1(id BIGSERIAL PRIMARY KEY, name TEXT); CREATE TABLE (2) =>INSERT INTO T1 (name)
我不确定在使用别名时如何解决不明确的列引用。 假设有两个表,a 和 b,它们都有一个 name 列。如果我加入这两个表并为结果添加别名,我不知道如何为这两个表引用 name 列。我已经尝试了一些变体,
我的查询是: select * from table where id IN (1,5,4,3,2) 我想要的与这个顺序完全相同,不是从1...5,而是从1,5,4,3,2。我怎样才能做到这一点? 最
我正在使用 C# 代码执行动态生成的 MySQL 查询。抛出异常: CREATE TABLE dump ("@employee_OID" VARCHAR(50)); "{"You have an er
我有日期 2016-03-30T23:59:59.000000+0000。我可以知道它的格式是什么吗?因为如果我使用 yyyy-MM-dd'T'HH:mm:ss.SSS,它会抛出异常 最佳答案 Sim
我有一个示例模式,它的 SQL Fiddle 如下: http://sqlfiddle.com/#!2/6816b/2 这个 fiddle 只是根据 where 子句中的条件查询示例数据库,如下所示:
我是一名优秀的程序员,十分优秀!