如何在C语言中用其他字符替换多个字符标志？

Question

我有一个UTF-8文本文件，其中包含几个符号，我想把它们改成其他符号（只限于在|（和|）之间的符号），但问题是有些符号不被视为字符，而是被视为多字符符号。（我的意思是它们不能放在'∞'中间，只能像这样“∞”，那么char *？）

这是我的文本文件：

Text : |(abc∞∪v=|)

例如：

∞ 应该改为 ¤c

∪ 改为 ¸!

= 改为 "

因此，由于一些符号（如∞和∪）是多个字符，我决定使用fscanf逐字获取所有文本。这种方法的问题在于我必须在每个字符之间加上空格...我的文件应该像这样：

Text : |( a b c ∞ ∪ v = |)

"fgetc不能使用，因为像∞这样的字符不能被视为单个字符。如果我使用它，我将无法使用strcmp将char与每个符号（char *）进行比较，我试图将我的char转换为char *但strcmp！= 0。

这是我的C代码，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++;
    }
}

非常感谢未来的帮助！

编辑：如果我在每个符号之间加一个空格，那么每个符号都会被正确更改，但是没有空格，它就不起作用，这是我正在尝试解决的问题。

- BinX

---

fgetwc() 呢？ - ad absurdum

好的问题格式，但有一些小问题：避免使用 feof（https://dev59.com/jG035IYBdhLWcg3wbPU5），将 j 改成其他不同的名称，比如 is_converting 或其他什么，因为 j 通常是一个迭代器。 - Dellowar

考虑使用fread()而不是fscanf()。由于您正在使用带有多字节字符的UTF-8，因此您需要有一种机制来读取字节流，然后逐个处理字符并识别UTF-8流中的多字节字符。另请参见UTF8 processing C，以及这篇博客文章Using UTF-8 as the internal representation for strings in C and C++ with Visual Studio。 - Richard Chambers

C: 使用 scanf 和 wchar_t 读取和打印 UTF-8 字符串 是一个简短的演示程序，展示了如何使用 setlocale(LC_ALL, ""); 以及 %ls 格式说明符，例如 scanf("%ls",string);。 - Richard Chambers

Answer 1

首先，正确使用术语。适当的术语有点令人困惑，但至少其他人能够理解你在说什么。

在C中，char与byte相同。但是，一个字符是一些抽象的内容，如∞或¤或c。一个字符可能包含几个字节（即几个char）。这样的字符称为多字节字符。

将字符转换为一系列字节(编码)并不容易。不同的系统采用不同的方法；有些使用UTF-8，而其他一些可能使用UTF-16 big-endian、UTF-16 little endian、8位代码页或任何其他编码。

当你的C程序在引号内拥有一些东西，比如"∞"-它是一个C字符串，也就是说，几个字节以零字节结尾。当你的代码使用strcmp来比较字符串时，它会比较两个字符串的每个字节，以确保它们相等。因此，如果你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，即使在检查它们时你会看到相同的字符！

---

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一系列字节而不是一个字符。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，确保源代码和程序输入文件的编码相同。

---

另一个不太微妙的问题：在比较字符串时，实际上你有一个大字符串和一个小字符串，并且你想检查大字符串是否以小字符串开头。这里 strcmp 做错了！你必须使用 strncmp 来代替：

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

---

另一个问题（实际上是一个重大的错误）：函数fscanf从输入文件中读取一个由空格分隔的单词（文本）。如果您只检查此单词中的第一个字节，则其他字节将不会被处理。为了修复，请循环遍历所有字节：

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
    }
}

- anatolyg

---

那真的帮助我解决了问题！我只是在你的代码中做了一些更改。 - BinX

Answer 2

你走在正确的道路上，但需要将字符与字符串区分开来。

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

(Pretending i = 2) 正如你所知，这将比较字符串"∞"和&a[2]。但你忘记了&a[2]是字符串第二个字符的地址，并且strcmp通过扫描整个字符串直到遇到空终止符来工作。因此"∞"实际上最终会与"abc∞∪v=|)"进行比较，因为a仅在最后一个位置处以空终止符结束。

你应该做的是不使用字符串，而是将每个字符（8位）扩展为short（16位）。然后你可以将它们与你的UTF-16字符进行比较。

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

这里的8734是因为它是无穷大的UTF16值。

非常重要的提示： 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，请尝试使用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：字符的字符串。这将读取后续字符，直到找到空格（空格字符被视为空白、换行和制表符）"（来源）。

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

这意味着你实际上从未进行迭代。你需要回过头来重新思考你的扫描流程。

- Dellowar

---

假设UTF16是文本文件使用的编码方式 :) OP没有指定。 - Ahmed Masud

@AhmedMasud 很好的观点。在我写这个问题的时候，我了解到没有猜测就无法获得文本文件的编码。我的知识有限，但是如果没有使用一些猜测库，OP可能会陷入困境。 - Dellowar

我的文本文件是用UTF-8编写的！ - BinX