C++如何過濾出字符串的中文（GBK、UTF-8）

前言

最近在處理游戲敏感詞之類的東西，為了加強屏蔽處理，所以需要過濾掉字符串中的除漢字之外的是其他東西如數字，符號，英文字母等。

首先我查閱資料并寫了個函數：

示例：返回輸入字符串中漢字的個數：

std::string StrWithOutSymbol(const std::string &source)
{ 
 string sourceWithOutSymbol;

 int i = 0;
 while (source[i] != 0)
 {
  if (source[i] & 0x80 )
  {
   sourceWithOutSymbol += source[i];
   sourceWithOutSymbol += source[i + 1];
   i += 2;
  else
  {
   i ++;
  }
 }
 return
 　　sourceWithOutSymbol; 
}

這個函數的原理是ord($str)&0x80來判斷漢字

80對應的二進制代碼為1000   0000,最高位為一,代表漢字漢字編碼格式通稱為10格式一個漢字占2字節,但只代表一個字符

"Windows中，中文簡體字符集的編碼是同時用1個字節和2個字節來表示的。當高位是0x00～0x7f時，為一個字節，高位為0x80以上時用2個字節表示"

當你發現一個字節的內容大于0x7f,那它肯定是個(跟另外一個字節拼湊成一個)漢字,如何判斷肯定大于0x7f呢?
0x7f(1111111)后面一個數就是0x80(10000000),所以想要大于0x7f，這個字節的最高位都肯定是1,我們只需要判斷這個最高位是否為1就行了。

判斷方法:

位與(相同的位都是1的才為1，否則為0):

如:要判斷一個數的第三位是否是1，只要跟4(100)位與,判斷一個數的第2位是否為1就跟2(10)位與.

同理判斷第八位是否為1只要跟(10000000)也就是0x80位與了.

這里為什么不用>0x7f？php可能還行，但在其他強類型語言里面，1個字節的最高位用來標示負數，一個負數肯定不可能大于0x7f(最大的整數)

再舉個例子:

a的assic碼是97(1100001)
A的assic碼是65(1000001)

b的assic碼是98(1100010)
B的assic碼是66(1000010)

發現一個規律:一個a-z的字母,只要是小寫字母，第六位肯定是1，我們可以用這個來判斷大小寫:

這時候只要跟用以個字母跟0x20(100000)來位與判斷:

if(ord($a)&0x20){
  //大寫
}

如何把所有字母改成大寫?第六位的1改成0就行了:

$a='a';
$a  = chr(ord($a)&(~0x20));
echo $a;

然后我信心滿滿的吧這個函數加入到項目中去，點擊運行，輸入中文進行檢查，當！項目報錯了？？？？數組越界？？？？

這是為什么，我又定位到報錯的地方，發現我使用的cocos-lua，在向c++傳遞字符串的時候傳進來的字符串是以UTF-8來進行編碼的，我又去找UIF-8的編碼規則發現

UTF-8編碼規則：如果只有一個字節則其最高二進制位為0；如果是多字節，其第一個字節從最高位開始，連續的二進制位值為1的個數決定了其編碼的字節數，其余各字節均以10開頭。UTF-8轉換表表示如下：

而我之前的是按照GBK編碼進行操作的，GBK每個中文字符只占兩個字節，而utf-8的話中文可能占3個字節，四個字節，甚至是五個六個，所以用剛才那樣的函數就會有越界的情況發生，所以對用UTF-8進行編碼的字符串，就需要進行另外的處理，所以我寫了一個新函數：

對UTF-8編碼的字符串進行中文篩選的函數：

std::string censorStrWithOutSymbol(const std::string &source)
{  
  string sourceWithOutSymbol;

  int i = 0;
  while (source[i] != 0)
  {
    if (source[i] & 0x80 && source[i] & 0x40 && source[i] & 0x20)
    {
      int byteCount = 0;
      if (source[i] & 0x10)
      {
        byteCount = 4;
      }
      else
      {
        byteCount = 3;
      }
      for (int a = 0; a < byteCount; a++)
      {
        sourceWithOutSymbol += source[i];
        i++;
      }
    }
    else if (source[i] & 0x80 && source[i] & 0x40)
    {
      i += 2;
    }
    else
    {
      i += 1;
    }
  }
  return sourceWithOutSymbol;
}

點擊運行，成功了！舒服。

總結

以上就是這篇文章的全部內容了，希望本文的內容對大家的學習或者工作具有一定的參考學習價值，謝謝大家對億速云的支持。