[C++]string中文的匹配问题

*何谓匹配*

根据string定义的find函数,可以实现查找子串:

string str("abc");
if ((int)str.find("bc") > 0)
    printf("okay\n"); // 匹配成功
else
    printf("none\n"); // 匹配失败
// 输出 okay

[注] 使用printf的原因是<cstdio>库编译速度更快一些。

运行,使用大量数据,程序运行状况良好。

然而,如果使用其处理中文,会发现:

string str("人类");
if ((int)str.find("死") > 0)
    printf("okay\n"); // 匹配成功
else
    printf("none\n"); // 匹配失败
// 输出 okay

竟然匹配了!?

*探求原因*

为什么会产生这种输出呢?
我们来想一下string.find是怎样查找的。
按字符查找!
那么,“人类”有几个字符(’\0’排外)呢?

printf("%d\n",string("人类").length()); // 4

咦?奇怪,分明是2个,怎么有4个呢?

原来,Windows中1,中文(简体)通常使用GBK来编码的。

我们来看看“人类”是怎么编码的:

printf("%X ", "人类"[0]);
printf("%X ", "人类"[1]);
printf("%X ", "人类"[2]);
printf("%X ", "人类"[3]);
// FFFFFFC8 FFFFFFCB FFFFFFC0 FFFFFFE0

请看!
“人类”的GBK编码是C8CB C0E0。

printf("%X ", "死"[0]);
printf("%X ", "死"[1]);
// FFFFFFCB FFFFFFC0

而“死”的编码是CBC0!
这样一来,使用string的find函数进行搜索时,”人类”能够匹配”死”的问题就瞬间搞懂了。

*问题求解*

那么,怎么解决呢?

经查询资料:
GBK分两段:ASCII段和中文段。ASCII段使用单字节,和ASCII编码保持一致;中文(及特殊符号)段使用双字节编码。在双字节段中,第一字节的范围是81–FE(也就是不含80和FF),第二字节的一部分领域在40–7E,其他领域在80–FE2
也就是说,在GBK编码中,中文有两个字节,首字节范围81~FE,尾字节范围40~7E。
这么说来,判断一个字符(或者中文的一个字)是否为中文,只要判断其是否大于0x80即可。在判断其大于时,获取两个字节,同时向下跳一字节,进行后续判断;如果不大于,则为ASCII字符,获取一个字节。

根据以上所述,我们利用union将字符化为int型。

代码如下:

std::vector<int> stringToVecInt(const std::string &str)
{
    union {
        char c[2];
        int  i;
    } convert;

    // 段位清零
    convert.i = 0;

    std::vector<int> vec;

    for (unsigned i = 0; i < str.length(); i++) {
        // GBK编码首字符大于0x80
        if ((unsigned)str[i] > 0x80) {
            // 利用union进行转化,注意是大端序
            convert.c[1] = str[i];
            convert.c[0] = str[i + 1];
            vec.push_back(convert.i);
            i++;
        } else
            // 小于0x80,为ASCII编码,一个字节
            vec.push_back(str[i]);
    }
    return vec;
}

我们使用<algorithm>里的search函数,进行子串的搜索。

bool include(const std::string &str, const std::string &msg)
{
    auto sour = stringToVecInt(str);
    auto find = stringToVecInt(msg);
    return std::search(sour.begin(), sour.end(), find.begin(), find.end()) != sour.end();
}

测试下效果:

if (include("人类","死"))
    printf("okay\n"); // 匹配成功
else
    printf("none\n"); // 匹配失败
// none

成功!

*后续思考*

其实,GBK的编码可以直接写在字符串里:
比如”人类”就是”\xC8\xCB\xC0\xE0”。

编码问题,是相当复杂的问题,凡是有字符串处理,多少都会遇到编码的问题。
本文问题的提出和解决是基于GBK编码的,而在互联网中,UTF-8、Unicode等编码也是经常使用的。在处理字符串时,一定要留心各种可能发生的编码问题,毕竟问题是永远解决不完的。

2016.1.30


  1. 笔者使用Windows下的Visual Studio 2015作为开发环境。
  2. 详见维基百科:汉字内码扩展规范
©️2020 CSDN 皮肤主题: 大白 设计师: CSDN官方博客 返回首页
实付0元
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、C币套餐、付费专栏及课程。

余额充值