二進制-如何區分漢字錒和其他英文字符

如何區分漢字"錒"和其他英文字符

程序所用文檔如圖，我需要處理這些數據，把它變成

我的代碼是這樣的

#include <iostream>
#include <string>
#include <fstream>
#include <map>
#include <cstdlib>

using namespace std;

bool isLetterOrNumber(const char &word);
bool isChinese(const char &word);


int main(int argc, char* argv[])
{
    // 首先要打開這個文件，用二進制形式
    ifstream ifs("list_t.txt", ios::binary);
    // 需要把結果寫入一個目標文件
    ofstream ofs("hz_pinyin.txt", ios::binary);
    // 需要一個臨時存儲字符
    char word;
    // 需要一個字符串存拼音
    string pinyin;
    // 需要一個字符串存漢字
    string chinese;
    // 我們需要通過漢字來檢索拼音，所以需要一個從string到string的map
    map<string, string> table;

    // 錯誤處理，如果ifs指向NULL，結束程序
    if (!ifs)
    {
        cerr << "文件打開錯誤，請檢查" << endl;
        exit(0);
    }
    // 打開文件後看見了下面這一行
    // a1 阿啊锕呵吖腌錒

    // 文件指針開始移動
    while (!ifs.eof())
    {
        // 先讀取當前位置的字符
        ifs.read((char*)&word, 1);
        // 判斷讀到的字符是不是英文字符和數字(因為拼音是由英文字符和數字組成的)
        if (isLetterOrNumber(word)) // 錒的後一個字節內容是48h，到這一句會判斷為真，連入pinyin，造成後面亂碼
            // 放入pinyin字符串
            pinyin += word;
        // 判斷讀到的字符是不是中文
        else if (isChinese(word))
        {
            // 放入chinese字符串
             chinese += word;
            // 判斷中文字符串長度是否為2，如果為2，chinese為索引，pinyin為對應值，存入map
            if (chinese.size() == 2)    
            {
                table[chinese] = pinyin;
                // 以<中文><拼音>形式存入新的文件
                ofs.write(chinese.c_str(), chinese.size());
                ofs.write(pinyin.c_str(), pinyin.size());
                // 接著清空chinese字符串，以迎接下一個漢字
                chinese.clear();
                // 往目標文件寫入一個回車
                ofs.write("\r", 1);
                // 往目標文件寫入一個換行
                ofs.write("\n", 1);
            }
        }
        // 如果讀到了0x0D，那麼清空pinyin字符串，並接著讀一個0x0A
        else if (word == 0x0D)
        {
            pinyin.clear();
            ifs.read((char*)&word, 1);
        }
    }

    ifs.close();
    ofs.close();
    return 0;
}

bool isLetterOrNumber(const char &word)
{
    if ((word >= '0' && word <= '9') || (word >= 'a' && word <= 'z')
        || (word >= 'A' && word <= 'Z'))
        return true;
    return false;
}

bool isChinese(const char &word)
{
    if ((!isLetterOrNumber(word)) && (word != ' ') && (word != '\r')
        && (word != '\n'))
        return true;
    return false;
}

生成的結果是亂碼。我用winhex查看了一下，問題發生在“錒”這個字上。錒的編碼是"E5 48"它第二個字節的48正好是ASCII碼中'H'的位置，也就是說，當word是"錒"的第二個字節，並且處理到

if (isLetterOrNumber(word))

會返回true，這個48就會按照英文來處理，放到拼音字符串中。

但是問題來了：既然"錒"的第二個字節是48，而48也在ASCII中，那麼怎麼才能區分出我想要的這個48是"錒"的第二字節，而不是'H'ASCII字符？

PS：我感覺我的markdown語法好像沒有錯，為什麼代碼沒有高亮

最佳回答：

邏輯改一下:
if (isChinese(word))
{
chinese = word;
ifs.read((char*)&word, 1); //既然是漢字，就得讀兩次組成一個漢字。
chinese += word;
現在肯定是漢字，無需判斷是否等於2
}
else if (isLetterOrNumber(word)) // 排除漢字後才處理字符和數字
// 放入pinyin字符串
pinyin += word;