Utf8和Unicode转换问题
千字文
请编写一个程序,从输入中读取一篇中文文章,并统计出该文章中 ASCII 字符以外的重复出现的每一个字重复出现的次数。
文章使用 UTF-8 编码,可能会出现任何可以用 UTF-8 编码表示的字符(不限于中文)。
文章中所有的字符在 UCS-2 能够表示的范围内,即字符的 Unicode 值用两个字节就可以表示。
输入
一篇文章,总字数不限、每行字符数不限。每个字重复出现的次数不超过 60000 次。
输出
按照 Unicode 编码从小到大的顺序,输出文章中 ASCII (0~127) 字符以外的每一个重复出现过的字重复出现的次数。每行包含三项内容,首先是重复的字符(以 UTF-8 编码输出),然后是该字符的 Unicode 编码值(十六进制输出,字母均使用小写,长度不足4位数的用0补齐),最后输出该字符的重复次数。
如果文章中没有出现重复的字,则输出“No repeat!”。
思路:
1、首先,把utf-8转换为unicode:
读入一个字符进来,转换为二进制判断从左边第一位开始其连续1的个数,有几个就是几字节
如果是1,则是1字节数,即为ASCII码数,跳过
如果是2,则是2字节数,则还需读入一个字符。
二字节的格式:
110xxxxx 10xxxxxx(第一个字节中的前三位固定,第二个字节中的前两位固定,将前面的xxxxx拼接上后面的xxxxxx即为改汉字的Unicode表示)
可以让第一个字节char1 与上 0x001f右移6位,char2 与上0x003f,两者相加即可
如果是3,则是3字节数,则还需读入两个字符。
三字节的格式:
1110xxxx 10xxxxxx 10xxxxxx(第一个字节中的前四位固定,第二、三个字节中的前两位固定,将前面的xxxx拼接上后面的xxxxxx 再拼接上 xxxxxx即为改汉字的Unicode表示)
可以让第一个字节char1 与上 0x000f左移6位,char2 与上0x003f左移6位,char3与上0x003f三者相加即可
2、做一个hash表记录文章中该Unicode的数目
3、一个结构体(比如utf8)记录该unicode码(比如ucode)代表的utf8[ucode]的第一个,第二,第三个字节。以及该unicode码用有的字节数utf8[ucode].byteNum;
4、从0到65535循环判断如果为2字节,3字节则输出
5、如果没有重复则输出no repeat!