统计gbk,gb2312文件中的中文字符

先上demo:

int main(void){ FILE * pf; pf = fopen("E:/09_gbk.c", "r+"); if(pf == NULL){ perror("open file err"); return 0; } int ich; int nume = 0; //英文字符 int numc = 0; //中文字符 int num0 = 0; //数字的个数 while((ich = fgetc(pf)) != EOF){ if( (ich >= 'A' && ich <= 'Z') || (ich >= 'a' && ich <= 'z') ){ nume++; } else if(ich >= '0' && ich <= '9'){ num0 ++; }else if(ich > 128){ //双字节的字符 int ich2 = fgetc(pf); //再次读入一个字符的int值 //根据这两个字节的取值范围确定其是否为汉字 if ( (ich >= 0x81 &&ich <= 0xa0) && ((ich2 >= 0x40 &&ich2 <= 0x7e)||(ich2 >= 0x80 &&ich2 <= 0xfe)) ){ numc ++; }else if( (ich >= 0xb0 &&ich <= 0xd6) && ((ich2 >= 0x40 &&ich2 <= 0x7e)||(ich2 >= 0x80 &&ich2 <= 0xfe)) ){ numc ++; }else if( (ich >= 0xd8 &&ich <= 0xf7) && ((ich2 >= 0x40 &&ich2 <= 0x7e)||(ich2 >= 0x80 &&ich2 <= 0xfe)) ){ numc++; }else if( (ich >= 0xaa &&ich <= 0xaf) && ((ich2 >= 0x40 &&ich2 <= 0x7e)||(ich2 >= 0x80 &&ich2 <= 0xa0)) ){ numc++; }else if( (ich >= 0xf8 &&ich <= 0xfe) && ((ich2 >= 0x40 &&ich2 <= 0x7e)||(ich2 >= 0x80 &&ich2 <= 0xa0)) ){ numc++; }else if( (ich == 0xd7) && ((ich2 >= 0x40 &&ich2 <= 0x7e)||(ich2 >= 0x80 &&ich2 <= 0xf9)) ){ numc++; } } } printf("english : %d, number : %d, chinese :%d", nume, num0, numc); return 0; }

• GBK/GB2312中规定,汉字,日文,韩文第一个字节是大于128的
• GBK中用2个字节表示一个汉字,英文的是1个字节表示,但是如果单独用printf输出一个汉字的sizeof()值,会显示3,原因是前面会加上'\0'字符,所有是3个字节,如果是2个汉字,会是5个字节
• GBK中的汉字的大致范围是如下

第一个字节取值范围	第二个字节取值范围
81~A0	40~7E 或者 80~FE
AA~AF	40~7E 或者 80~A0
B0~D6	40~7E 或者 80~FE
D7	40~7E 或者 80~F9
D8~F7	40~7E 或者 80~FE
F8~FE	40~7E 或者 80~A0

• 为什么fgetc()函数返回的int而不是char类型?
  如果只返回char类型, ascii码对应的字符是没有问题的,
  但是其他超出ascii码的字符就会溢出不能正确表示了,