在C中计算土耳其字符

Question

我正在尝试编写一个程序，以土耳其语计算字符串中的所有字符。我不明白为什么这不起作用。我添加了库 setlocale(LC_ALL,"turkish") 但仍然无法正常工作。谢谢你。这是我的代码： 我的文件字符编码：utf_8

int main(){

    setlocale(LC_ALL,"turkish");
    char string[9000];
    int c = 0, count[30] = {0};
    int bahar = 0;    

    ...
        if ( string[c] >= 'a' && string[c] <= 'z' ){
            count[string[c]-'a']++;
            bahar++;

}

我的输出：

0.085217 b 0.015272 c 0.022602 d 0.035736 e 0.110263 f 0.029933 g 0.015272 h 0.053146 我 0.071167 k 0.010996 l 0.047954 米 0.025046 n 0.095907 Ø 0.069334 p 0.013745 q 0.002443 r 0.053451 0.073916 吨 0.095296 你 0.036958 v 0.004582 w 0.019243 x 0.001527 是 0.010996

这是英文字母，但我也需要计算这个字符：“ğ,ü,ç,ı,ö”

Answer 1

解决方案取决于文件的字符编码。

如果文件采用 ISO 8859-9 (latin-5) 格式，则每个特殊字符仍以单个字节编码，您可以轻松修改代码：您已经区分大小写。只需为特殊字符添加更多分支。

如果文件采用 UTF-8 或其他 unicode 编码，您需要一个支持多字节的字符串库。

Answer 2

setlocale(LC_ALL,"turkish");

首先："turkish" 不是语言环境。

语言环境的正确名称通常类似于xx_YY.CHARSET，其中xx 是语言的ISO 639-1 代码，YY 是国家/地区的ISO 3166-1 Alpha-2 code，CHARSET 是可选的字符集名称（通常为ISO8859-1、ISO8859-15 或UTF-8）。请注意，并非所有组合都有效；计算机必须具有针对语言代码、国家代码和字符集的特定组合生成的语言环境文件。

你可能想要的是setlocale(LC_ALL, "tr_TR.UTF-8")。

---

if ( string[c] >= 'a' && string[c] <= 'z' ){

第二：比较运算符如>= 和<= 不区分区域设置。此比较将始终在字节上执行，并且不会包括 ASCII a-z 范围之外的字符。

要执行区域敏感比较，您必须使用类似strcoll() 的函数。但是，另外请注意，某些字母（包括您要在此处包含的字母！）由 UTF-8 中的多字节序列组成，因此循环字节也不起作用。您需要使用mblen() 或mbtowc() 之类的函数来分隔这些序列。

Answer 3

由于您显然使用的是 UTF-8 文件，因此答案将取决于您的执行平台：

1. 如果您在 Linux 上，setlocale(LC_CTYPE, "en_US.UTF-8") 或类似的东西应该可以工作，但重要的部分是最后的 UTF-8！语言应该不重要。您可以使用

   验证它是否有效

   if (setlocale(LC_CTYPE, "en_US.UTF-8") == NULL) {
       abort();
   }
   

   这将阻止程序执行。该代码之后的任何内容都意味着语言环境设置正确。

2. 如果您使用的是 Windows，则可以改用 fopen("myfile.txt", "rt, ccs=UTF-8") 打开文件。但是，这并不完全可移植到其他平台。但是，它比其他替代方案更清洁，这在这种特殊情况下可能更重要。

3. 如果您使用 FreeBSD 或其他不允许您使用任何一种方法的系统（例如，没有 UTF-8 语言环境），您需要手动解析字节或使用库来为您转换它们。如果您的实现有 iconv() 函数，您也许可以使用它从 UTF-8 转换为 ISO-8859-9 以将您的特殊字符用作单个字节。

准备好读取文件后，您可以使用 fgetws 和 wchar_t 数组。

另一个问题是检查是否检测到您的一个非 ASCII 字符。你可以这样做：

// lower = "abcdefghijklmnopqrstuvwxyzçöüğı"
// upper = "ABCDEFGHİJKLMNOPQRSTUVWXYZÇÖÜĞI"
const wchar_t lower[] = L"abcdefghijklmnopqrstuvwxyz\u00E7\u00F6\u00FC\u011F\u0131";
const wchar_t upper[] = L"ABCDEFGH\u0130JKLMNOPQRSTUVWXYZ\u00C7\u00D6\u00DC\u011EI";

const wchar_t *lchptr = wcschr(lower, string[c]);
const wchar_t *uchptr = wcschr(upper, string[c]);
if (lchptr) {
    count[(size_t)(lchptr-lower)]++;
    bahar++;
} else if (uchptr) {
    count[(size_t)(uchptr-upper)]++;
    bahar++;
}

该代码假定您在计算字符时不考虑大小写（不区分大小写）。也就是说，ı (\u0131) 和 I 被认为是同一个字符 (count[8]++)，就像 İ (\u0130) 和 i 被认为是同一个字符 (count[29]++)。我不会声称对土耳其语了解很多，但在创建大写和小写字符串时，我使用了我对土耳其语大小写规则了解的一点点。

编辑

正如@JonathanLeffler 在问题的 cmets 中提到的那样，更好的解决方案是在string 中的每个字符上使用isalpha（或在本例中为iswalpha），而不是lower 和@987654342 @ 我使用的有效字符的字符串。但是，这只会让您知道该字符是字母字符；它不会告诉您要使用的 count 数组的索引，事实是没有通用的答案，因为有些语言只使用带有变音符号的几个字符而不是整个组做string[c] >= L'à' && string[c] <= L'ç'。换句话说，即使您已经读取了数据，您仍然需要将其转换为适合您的解决方案，这需要了解您正在使用什么来创建从字符到整数值的映射，我的代码通过使用有效字符的字符串和字符串中每个字符的索引作为count数组的索引（即lower[29]意味着count[29]++被执行，upper[18]意味着count[18]++被执行）。