C++ GBK编码 字符切割
2019-03-26 本文已影响0人
李二007
为了用C++简单实现bert模型地预处理，需要将中文字符串切割成单个中文汉字，网上没有找到在GBK编码下的C++版本，于是简单地查了下资料，实现了个半成品。
GBK编码
- ASCII码
使用一个字节（0-255）中的（0-127）来编码字符，（128-255）没用。 - GB2312码
当一个字节的值在0-127之间时，该字节完整地表示了ASCII字符；
当该字节的值在128-255之间时，继续读取下一个字节，用这两个字节的值(按某种规则计算)表示一个字符。 - GBK码
GB2312只用了2个字节所能表达空间的一部分，微软继编码了另一部分得到GBK编码（主要包括ASCII,中文简体，中文繁体，日文） - ANSI码
微软在中国大陆采用GBK编码，而在台湾则采用Big5编码(台湾的GBK),微软对这种不同地区采用的不同编码方式统称为ANSI码(本地码)
字符切割
- 判断第一个字节小于0，将该字节和下一个字节组成字符，该方法需要保证输入为合法的GBK字符。
void GBKString2TokenList(const std::string& _input_str , std::vector< std::string >& token_list)
{
const char* p = _input_str.c_str(); //游标
const char * const start_idx = p; //固定初始位置
unsigned int tmp_int = 0; //上一时刻，游标与固定初始位置的距离
while (*p) //字符串未结束
{
if ((*p<0)&&(*(p+1)<0) //可简单当作中文等需要占据两个字节的字符
{
p+=2;
}
else // 英文数字等仅占一个字节的字符
{
p++;
}
token_list.push_back(_input_str.substr( tmp_int, p - start_idx - tmp_int)); //取上次游标距离到本次游标距离之间的字符
tmp_int = p - start_idx; //更新上次游标距离
}
return;
}
- 事实上GBK对双字节的区间规定更严格一些，如低字节在160-254之间，高字节在64-254之间等，有时间再研究下。
