[已解决]关于中文字符的问题

1613551

有大佬能解释一下

中文字符的UTF-8编码的第一个字节的前三位是 1110，即大于等于224

是什么意思吗

#include <stdio.h>
#include <stdlib.h>
#define MAX 1024

int is_utf8_chinese(char ch) {
    // 判断是否为中文字符，中文字符的UTF-8编码范围是三个字节
    // 中文字符的UTF-8编码的第一个字节的前三位是 1110，即大于等于224
    return ((unsigned char)ch >= 224);
}

int main()
{
    char str[MAX];
    char *target = str;
    char ch;
    int length = 0;

    printf("请输入一个字符串：");
    fgets(str, MAX, stdin);

    while (1)
    {
        ch = *target++;
        if (ch == '\0')
        {
            break;
        }
        if (is_utf8_chinese(ch))
        {
            target += 2; // 中文字符占用3个字节，所以移动指针2位
        }
        length++;
    }

    printf("您总共输入了 %d 个字符！\n", length - 1);
    system("pause");
    return 0;
}

最佳答案

月排行榜 / 总排行榜

isdkz

2023-7-22 21:45:02

在UTF-8编码中，单个字节的数据表示方式分别为：

· 对于ASCII码（0-127），UTF-8编码用一个字节表示，字节的最高位是0。
· 对于128到2047之间的字符，UTF-8编码用两个字节表示，字节的最高位是110和10。
· 对于2048到65535之间的字符，UTF-8编码用三个字节表示，字节的最高位是1110和10。

因此，“中文字符的UTF-8编码的第一个字节的前三位是 1110，即大于等于224”这句话，是因为在UTF-8编码中，中文字符的编码是用三个字节表示的，这三个字节的最高位是1110和10。当然，还需要注意的是，这个函数只检查了第一个字节是不是中文字符的开始字节，而没有检查后续的字节。

在您的代码中， is_utf8_chinese(char ch) 函数接收一个字符，将其转换为无符号字符，然后检查该字符是否大于等于224。如果是，那么它假设这个字符是UTF-8编码的中文字符的开始。这种方法可以在大多数情况下工作，但它不能保证字符确实是中文，因为其它一些非中文字符的UTF-8编码的第一个字节也可能大于等于224。

跳转到最佳答案楼层

Mike_python小

关于中文字符的UTF-8编码的第一个字节前三位为1110的意思

UTF-8是一种变长字符编码方案，用于表示Unicode字符集中的字符。对于多字节的字符，在UTF-8编码中，第一个字节的前面会有一些特定的标志位来指示该字符的长度。

在UTF-8编码中，用来表示三字节字符（如中文字符）的第一个字节的前三位是固定的，为"1110"。这表示该字符由三个字节组成。具体的编码格式如下：

[/code]
| 0xE0 - 0xEF | 0x80 - 0xBF | 0x80 - 0xBF |
|--------------|--------------|--------------|
|   1110xxxx   |   10xxxxxx   |   10xxxxxx   |
[/code]

其中，"x"代表实际字符的编码位。

所以，当我们判断一个字节是否为中文字符时，如果它的最高三位是"1110"，则可以认为它是中文字符的第一个字节。

在给出的示例代码中，is_utf8_chinese 函数就是用来判断一个字符是否为中文字符。它通过将字符转换为无符号字符，并与224（即0xE0）进行比较，判断其最高三位是否为"1110"，以判断是否为中文字符。

希望对你有所帮助！如果还有其他问题，请随时提问。

球一个最佳答案谢谢啦！这对我非常重要！

isdkz

在UTF-8编码中，单个字节的数据表示方式分别为：

· 对于ASCII码（0-127），UTF-8编码用一个字节表示，字节的最高位是0。
· 对于128到2047之间的字符，UTF-8编码用两个字节表示，字节的最高位是110和10。
· 对于2048到65535之间的字符，UTF-8编码用三个字节表示，字节的最高位是1110和10。

因此，“中文字符的UTF-8编码的第一个字节的前三位是 1110，即大于等于224”这句话，是因为在UTF-8编码中，中文字符的编码是用三个字节表示的，这三个字节的最高位是1110和10。当然，还需要注意的是，这个函数只检查了第一个字节是不是中文字符的开始字节，而没有检查后续的字节。

在您的代码中， is_utf8_chinese(char ch) 函数接收一个字符，将其转换为无符号字符，然后检查该字符是否大于等于224。如果是，那么它假设这个字符是UTF-8编码的中文字符的开始。这种方法可以在大多数情况下工作，但它不能保证字符确实是中文，因为其它一些非中文字符的UTF-8编码的第一个字节也可能大于等于224。

1613551

这个代码是统计有多少个中文字符以及中英文混合字符的程序

1613551

isdkz 发表于 2023-7-22 21:45
在UTF-8编码中，单个字节的数据表示方式分别为：

· 对于ASCII码（0-127），UTF-8编码用一个字节表示， ...

其实我不是很懂为什么还要转成无符号字符

isdkz

1613551 发表于 2023-7-22 22:00
其实我不是很懂为什么还要转成无符号字符

因为字符编码的序号就是没有负的

1613551

isdkz 发表于 2023-7-22 22:08
因为字符编码的序号就是没有负的

我还有一点疑惑，为什么是大于224，224是怎么得出来的

isdkz

1613551 发表于 2023-7-24 19:51
我还有一点疑惑，为什么是大于224，224是怎么得出来的

UTF-8编码是一种可变长度的编码方式，可以使用1到4个字节表示一个字符。为了在字符中表示这种长度的变化，UTF-8编码使用特殊的位模式。

在UTF-8编码中，一个字节的前几个位被用来表示编码的长度：

· 如果第一个字节的开头是0，那么这个字符只有一个字节，也就是说这个字符在ASCII表中。
· 如果第一个字节的开头是110，那么这个字符有两个字节。
· 如果第一个字节的开头是1110，那么这个字符有三个字节。
· 如果第一个字节的开头是11110，那么这个字符有四个字节。

这里的 "224" 是二进制 "11100000" 在十进制下的表示。也就是说，如果一个字节的值大于等于224，那么它的二进制表示至少是 "1110xxxx"，这意味着这个字符是一个三字节的字符。

这种设计让计算机能够很容易地确定一个字符的长度，不管它是在字符串的开始、中间，还是结束。这就是UTF-8编码方式的一个重要特性。