C语言项目：文本统计程序

C语言文本统计程序，功能如下：

• 统计文本中 总字符数
• 统计 英文字符数
• 统计 中文字符数
• 统计 空格数
• 统计 标点符号数

为了兼容中文，需要使用 UTF-8编码 的中文字符（每个中文一般占 3 个字节），或者 GBK编码（每个中文占 2 个字节）。这里我给出 UTF-8版本。

下面是示例代码（可统计中文、英文、空格和标点）：

#include <stdio.h>
#include <stdlib.h>
#include <string.h>
#include <ctype.h>int main() {FILE *fp;char filename[100];unsigned long total_chars = 0;unsigned long english_chars = 0;unsigned long chinese_chars = 0;unsigned long spaces = 0;unsigned long punctuation = 0;printf("请输入文本文件名: ");scanf("%s", filename);fp = fopen(filename, "r");if (!fp) {printf("无法打开文件 %s\n", filename);return 1;}int c;while ((c = fgetc(fp)) != EOF) {total_chars++;if (c <= 127) {// 英文字符、空格、标点if (isalpha(c)) english_chars++;else if (isspace(c)) spaces++;else punctuation++;} else {// 中文字符处理 (UTF-8一般3字节)chinese_chars++;// 跳过剩余字节if ((c & 0xE0) == 0xC0) fgetc(fp);       // 2字节中文else if ((c & 0xF0) == 0xE0) {           // 3字节中文fgetc(fp);fgetc(fp);} else if ((c & 0xF8) == 0xF0) {         // 4字节字符fgetc(fp);fgetc(fp);fgetc(fp);}}}fclose(fp);printf("\n===== 文本统计结果 =====\n");printf("总字符数: %lu\n", total_chars);printf("英文字符数: %lu\n", english_chars);printf("中文字符数: %lu\n", chinese_chars);printf("空格数: %lu\n", spaces);printf("标点符号数: %lu\n", punctuation);return 0;
}

---

⚙️ 使用说明

1. 将程序保存为 text_stat.c
2. 编译运行：

gcc -o text_stat text_stat.c
./text_stat

3. 输入文本文件名，例如 test.txt
4. 输出统计信息，包括中文、英文、空格和标点

---

1️⃣ UTF-8 编码基础

UTF-8 是变长编码，用 1~4 个字节表示一个字符：

字节数	二进制模式	范围
1	0xxxxxxx	ASCII 0~127
2	110xxxxx 10xxxxxx	U+0080~U+07FF
3	1110xxxx 10xxxxxx 10xxxxxx	U+0800~U+FFFF
4	11110xxx 10xxxxxx 10xxxxxx 10xxxxxx	U+10000~U+10FFFF

• x 是字符的实际二进制位
• 第一个字节的高位标记 字节长度，后续字节都以 10xxxxxx 开头

---

2️⃣ 为什么用 0xC0、0xE0、0xF0、0xF8

在代码里判断一个字符是几字节中文：

if ((c & 0xE0) == 0xC0)   // 2字节
if ((c & 0xF0) == 0xE0)   // 3字节
if ((c & 0xF8) == 0xF0)   // 4字节

• 0xC0 = 11000000（二进制） → 判断是否是 2 字节字符
• 0xE0 = 11100000（二进制） → 判断是否是 3 字节字符
• 0xF0 = 11110000（二进制） → 判断是否是 4 字节字符
• 0xF8 = 11111000（二进制） → 理论上 UTF-8 最多 4 字节，5~6 字节已废弃

逻辑解释：

(c & 0xF0) == 0xE0

• c & 0xF0 → 取前 4 位
• 3 字节中文的首字节前 4 位固定为 1110
• 所以如果等于 0xE0（1110 0000），就是 3 字节中文

---

3️⃣ 总结记忆

UTF-8字节数	首字节二进制	十六进制	注释
1	0xxxxxxx	0x00~0x7F	ASCII
2	110xxxxx	0xC0~0xDF	拉丁扩展
3	1110xxxx	0xE0~0xEF	常用中文
4	11110xxx	0xF0~0xF7	较生僻字符
5~6	111110xx / 1111110x	0xF8~0xFD	已废弃

---

UTF-8 字节长度判定示意图

首字节范围	二进制模式	字节长度	说明
0x00 ~ 0x7F	0xxxxxxx	1	ASCII 英文字符
0xC0 ~ 0xDF	110xxxxx	2	拉丁文/少量扩展
0xE0 ~ 0xEF	1110xxxx	3	常用中文汉字
0xF0 ~ 0xF7	11110xxx	4	生僻汉字或表情
0xF8 ~ 0xFB	111110xx	5	已废弃
0xFC ~ 0xFD	1111110x	6	已废弃

UTF-8 多字节字符结构示意：

字节数	首字节	后续字节
1	0xxxxxxx	-
2	110xxxxx	10xxxxxx
3	1110xxxx	10xxxxxx 10xxxxxx
4	11110xxx	10xxxxxx 10xxxxxx 10xxxxxx

示例：
1️⃣ 英文字符 ‘A’ → 0x41 → 1 字节
2️⃣ 中文 ‘你’ → 0xE4 0xBD 0xA0 → 3 字节
3️⃣ 表情 ‘😊’ → 0xF0 0x9F 0x98 0x8A → 4 字节

---

✅ 总结记忆法：

• 0xxxxxxx → 1 字节：英文
• 110xxxxx → 2 字节：少量扩展字符
• 1110xxxx → 3 字节：常用中文
• 11110xxx → 4 字节：生僻汉字或表情
  这些 0xC0、0xE0、0xF0 本质上是 UTF-8 首字节掩码，用来判断当前字节属于几字节字符，从而跳过剩余字节统计总字符数。