Simple introduction of CSV

CSV : Comma Separate Values

CSV 英文文档 : http://www.creativyst.com/Doc/Articles/CSV/CSV01.htm

CSV即Comma Separate Values，这种文件格式经常用来作为不同程序之间的数据交互的格式。

具体文件格式

●每条记录占一行
●以逗号为分隔符
●逗号前后的空格会被忽略
●字段中包含有逗号，该字段必须用双引号括起来
●字段中包含有换行符，该字段必须用双引号括起来
●字段前后包含有空格，该字段必须用双引号括起来
●字段中的双引号用两个双引号表示
●字段中如果有双引号，该字段必须用双引号括起来
●第一条记录，可以是字段名


From: http://www.mzwu.com/article.asp?id=734

-Katrina

java正则表达式（1）

众所周知，在程序开发中，难免会遇到需要匹配、查找、替换、判断字符串的情况发生，而这些情况有时又比较复杂，如果用纯编码方式解决，往往会浪费程序员的时间及精力。因此，学习及使用正则表达式，便成了解决这一矛盾的主要手段。
大 家都知道，正则表达式是一种可以用于模式匹配和替换的规范，一个正则表达式就是由普通的字符（例如字符a到z）以及特殊字符（元字符）组成的文字模式，它 用以描述在查找文字主体时待匹配的一个或多个字符串。正则表达式作为一个模板，将某个字符模式与所搜索的字符串进行匹配。
自从jdk1.4推出java.util.regex包，就为我们提供了很好的JAVA正则表达式应用平台。

因为正则表达式是一个很庞杂的体系，所以我仅例举些入门的概念，更多的请参阅相关书籍及自行摸索。

\\ 反斜杠
\t 间隔 ('\u0009')
\n 换行 ('\u000A')
\r 回车 ('\u000D')
\d 数字 等价于[0-9]
\D 非数字 等价于[^0-9]
\s 空白符号 [\t\n\x0B\f\r]
\S 非空白符号 [^\t\n\x0B\f\r]
\w 单独字符 [a-zA-Z_0-9]
\W 非单独字符 [^a-zA-Z_0-9]
\f 换页符
\e Escape
\b 一个单词的边界
\B 一个非单词的边界
\G 前一个匹配的结束

^为限制开头
^java 条件限制为以Java为开头字符
$为限制结尾
java$ 条件限制为以java为结尾字符
. 条件限制除\n以外任意一个单独字符
java.. 条件限制为java后除换行外任意两个字符


加入特定限制条件「[]」
[a-z] 条件限制在小写a to z范围中一个字符
[A-Z] 条件限制在大写A to Z范围中一个字符
[a-zA-Z] 条件限制在小写a to z或大写A to Z范围中一个字符
[0-9] 条件限制在小写0 to 9范围中一个字符
[0-9a-z] 条件限制在小写0 to 9或a to z范围中一个字符
[0-9[a-z]] 条件限制在小写0 to 9或a to z范围中一个字符(交集)

[]中加入^后加再次限制条件「[^]」
[^a-z] 条件限制在非小写a to z范围中一个字符
[^A-Z] 条件限制在非大写A to Z范围中一个字符
[^a-zA-Z] 条件限制在非小写a to z或大写A to Z范围中一个字符
[^0-9] 条件限制在非小写0 to 9范围中一个字符
[^0-9a-z] 条件限制在非小写0 to 9或a to z范围中一个字符
[^0-9[a-z]] 条件限制在非小写0 to 9或a to z范围中一个字符(交集)

在限制条件为特定字符出现0次以上时，可以使用「*」
J* 0个以上J
.* 0个以上任意字符
J.*D J与D之间0个以上任意字符

在限制条件为特定字符出现1次以上时，可以使用「+」
J+ 1个以上J
.+ 1个以上任意字符
J.+D J与D之间1个以上任意字符

在限制条件为特定字符出现有0或1次以上时，可以使用「?」
JA? J或者JA出现

限制为连续出现指定次数字符「{a}」
J{2} JJ
J{3} JJJ
文字a个以上，并且「{a,}」
J{3,} JJJ,JJJJ,JJJJJ,???(3次以上J并存)
文字个以上，b个以下「{a,b}」
J{3,5} JJJ或JJJJ或JJJJJ
两者取一「|」
J|A J或A
Java|Hello Java或Hello

「()」中规定一个组合类型
比如，我查询index中间的数据，可写作(.+?)

在使用Pattern.compile函数时，可以加入控制正则表达式的匹配行为的参数：
Pattern Pattern.compile(String regex, int flag)

flag的取值范围如下：
Pattern.CANON_EQ 当且仅当两个字符的"正规分解(canonical decomposition)"都完全相同的情况下，才认定匹配。比如用了这个标志之后，表达式"a\u030A"会匹配"?"。默认情况下，不考虑"规 范相等性(canonical equivalence)"。
Pattern.CASE_INSENSITIVE(?i) 默认情况下，大小写不明感的匹配只适用于US-ASCII字符集。这个标志能让表达式忽略大小写进行匹配。要想对Unicode字符进行大小不明感的匹 配，只要将UNICODE_CASE与这个标志合起来就行了。
Pattern.COMMENTS(?x) 在这种模式下，匹配时会忽略(正则表达式里的)空格字符(译者注：不是指表达式里的"\\s"，而是指表达式里的空格，tab，回车之类)。注释从#开始，一直到这行结束。可以通过嵌入式的标志来启用Unix行模式。
Pattern.DOTALL(?s) 在这种模式下，表达式'.'可以匹配任意字符，包括表示一行的结束符。默认情况下，表达式'.'不匹配行的结束符。
Pattern.MULTILINE
(?m) 在这种模式下，'^'和'$'分别匹配一行的开始和结束。此外，'^'仍然匹配字符串的开始，'$'也匹配字符串的结束。默认情况下，这两个表达式仅仅匹配字符串的开始和结束。
Pattern.UNICODE_CASE
(?u) 在这个模式下，如果你还启用了CASE_INSENSITIVE标志，那么它会对Unicode字符进行大小写不明感的匹配。默认情况下，大小写不敏感的匹配只适用于US-ASCII字符集。
Pattern.UNIX_LINES(?d) 在这个模式下，只有'\n'才被认作一行的中止，并且与'.'，'^'，以及'$'进行匹配。


抛开空泛的概念，下面写出几个简单的Java正则用例：

◆比如，在字符串包含验证时

//查找以Java开头,任意结尾的字符串
Pattern pattern = Pattern.compile("^Java.*");
Matcher matcher = pattern.matcher("Java不是人");
boolean b= matcher.matches();
//当条件满足时，将返回true，否则返回false
System.out.println(b);


◆以多条件分割字符串时
Pattern pattern = Pattern.compile("[, |]+");
String[] strs = pattern.split("Java Hello World Java,Hello,,World|Sun");
for (int i=0;i System.out.println(strs[i]);
}

◆文字替换（首次出现字符）
Pattern pattern = Pattern.compile("正则表达式");
Matcher matcher = pattern.matcher("正则表达式 Hello World,正则表达式 Hello World");
//替换第一个符合正则的数据
System.out.println(matcher.replaceFirst("Java"));

◆文字替换（全部）
Pattern pattern = Pattern.compile("正则表达式");
Matcher matcher = pattern.matcher("正则表达式 Hello World,正则表达式 Hello World");
//替换第一个符合正则的数据
System.out.println(matcher.replaceAll("Java"));


◆文字替换（置换字符）
Pattern pattern = Pattern.compile("正则表达式");
Matcher matcher = pattern.matcher("正则表达式 Hello World,正则表达式 Hello World ");
StringBuffer sbr = new StringBuffer();
while (matcher.find()) {
matcher.appendReplacement(sbr, "Java");
}
matcher.appendTail(sbr);
System.out.println(sbr.toString());

◆验证是否为邮箱地址

String str="ceponline@yahoo.com.cn";
Pattern pattern = Pattern.compile("[\\w\\.\\-]+@([\\w\\-]+\\.)+[\\w\\-]+",Pattern.CASE_INSENSITIVE);
Matcher matcher = pattern.matcher(str);
System.out.println(matcher.matches());

◆去除html标记
Pattern pattern = Pattern.compile("<.+?>", Pattern.DOTALL);
Matcher matcher = pattern.matcher("主页");
String string = matcher.replaceAll("");
System.out.println(string);

◆查找html中对应条件字符串
Pattern pattern = Pattern.compile("href=\"(.+?)\"");
Matcher matcher = pattern.matcher("主页");
if(matcher.find())
System.out.println(matcher.group(1));
}

◆截取http://地址
//截取url
Pattern pattern = Pattern.compile("(http://|https://){1}[\\w\\.\\-/:]+");
Matcher matcher = pattern.matcher("dsdsdsfdf");
StringBuffer buffer = new StringBuffer();
while(matcher.find()){
buffer.append(matcher.group());
buffer.append("\r\n");
System.out.println(buffer.toString());
}

◆替换指定{}中文字

String str = "Java目前的发展史是由{0}年-{1}年";
String[][] object={new String[]{"\\{0\\}","1995"},new String[]{"\\{1\\}","2007"}};
System.out.println(replace(str,object));

public static String replace(final String sourceString,Object[] object) {
String temp=sourceString;
for(int i=0;i String[] result=(String[])object[i];
Pattern pattern = Pattern.compile(result[0]);
Matcher matcher = pattern.matcher(temp);
temp=matcher.replaceAll(result[1]);
}
return temp;
}


◆以正则条件查询指定目录下文件

//用于缓存文件列表
private ArrayList files = new ArrayList();
//用于承载文件路径
private String _path;
//用于承载未合并的正则公式
private String _regexp;

class MyFileFilter implements FileFilter {

/**
* 匹配文件名称
*/
public boolean accept(File file) {
try {
Pattern pattern = Pattern.compile(_regexp);
Matcher match = pattern.matcher(file.getName());
return match.matches();
} catch (Exception e) {
return true;
}
}
}

/**
* 解析输入流
* @param inputs
*/
FilesAnalyze (String path,String regexp){
getFileName(path,regexp);
}

/**
* 分析文件名并加入files
* @param input
*/
private void getFileName(String path,String regexp) {
//目录
_path=path;
_regexp=regexp;
File directory = new File(_path);
File[] filesFile = directory.listFiles(new MyFileFilter());
if (filesFile == null) return;
for (int j = 0; j < filesFile.length; j++) {
files.add(filesFile[j]);
}
return;
}

/**
* 显示输出信息
* @param out
*/
public void print (PrintStream out) {
Iterator elements = files.iterator();
while (elements.hasNext()) {
File file=(File) elements.next();
out.println(file.getPath());
}
}

public static void output(String path,String regexp) {

FilesAnalyze fileGroup1 = new FilesAnalyze(path,regexp);
fileGroup1.print(System.out);
}

public static void main (String[] args) {
output("C:\\","[A-z|.]*");
}

From:
http://blog.csdn.net/kdnuggets/archive/2008/06/09/2526588.aspx

-Katrina

Java向文件中写入换行符（回车符）

linux和unix系统的换行是"n"，而windows的换行并不是直接的"n"，是"rn"。所以out.write("n")只能得到一个黑框，因为windos不认为这是个“换行”。 直接从记事本输入的话，windows自动输入了"rn"，所以从从文本文件中读出来的也是"rn"，可以正常显示。

r是回车符，而n是换行符。Windows默认n在文档中显示的是一个空格或者小黑框。所以，要先回车，再换行。

From:
http://www.yjpub.com/index.php/713

-Katrina

java.lang.OutOfMemoryError: Java heap space

在JVM中如果98％的时间是用于GC且可用的 Heap size 不足2％的时候将抛出此异常信息。
JVM堆的设置是指java程序运行过程中JVM可以调配使用的内存空间的设置.JVM在启动的时候会自动设置Heap size的值，其初始空间(即-Xms)是物理内存的1/64，最大空间(-Xmx)是物理内存的1/4。可以利用JVM提供的-Xmn -Xms -Xmx等选项可进行设置。
Defaults are:
java -Xms32m -Xmx128m

eclipse configuration:
直接右键eclipse的快捷方式，在"目标"中填入下行

D:\eclipse\eclipse.exe -debug options -vm javaw.exe -nl en_US -clean -vmargs -Xverify:none -XX:+UseParallelGC -XX:PermSize=20M -XX:MaxNewSize=32M -XX:NewSize=32M -Xms128m -Xmx256m

参数注解：

【-debug options -vm javaw.exe】 显示JVM当前内存使用量（注：详见下方《让你的eclipse也能显示JVM当前内存使用量》）

【-nl】后面跟的是语言：英语 en_US 简体中文 zh_CN

【-clean 】是当启动Eclipse IDE时清空缓冲，一般来说在没有更新插件的情况下，去掉这个参数启动速度更快。

【-vmargs】使用JRE的参数，后面就是JRE的参数了：

【-Xverify:none】去掉JAR包数据验证，一般来说只有在网络环境下才需要验证JAR包数据的有效性。本地的话可以不用验证。

【-XX:+UseParallelGC】使用并行垃圾收集机制，据说这个GC算法比较快。具体不清楚。

【-XX:PermSize=20M -XX:MaxNewSize=32M -XX:NewSize=32M】这三个就是设置详细的缓冲数据了。详情看Java官方网站的介绍吧。

【-Xms128m】Java虚拟机初始化内存容量。

【-Xmx256m】Java虚拟机最大使用内存容量，根据你所使用机器的内容大小设置，只要不超过最大内存容量就好。

《让你的eclipse也能显示JVM当前内存使用量》

1、在eclipse根目录下建立一个文件，文件名options，文件内容：org.eclipse.ui/perf/showHeapStatus=true

2、用这条命令启动Eclipse：D:\eclipse\eclipse.exe -debug options -vm javaw.exe

或者直接右键eclipse的快捷方式，在"目标"中填入这行。

3、启动eclipse，就可以看到下面的状态栏会显示当前JVM内存使用量，另外还可以强制进行垃圾收集。

修改那个ini文件是要注意，修改文件之前一定要注意备份。
加启动参数和在ini中写是一样的，都是启动的配置。

eclipse对于jre的加载顺序：首先执行 -vm 参数；如果没有 -vm 参数，则查找 eclipse\jre 子目录；如果没有找到，eclipse最后才查找在系统中注册的jre。


From:
http://www.chq.name/content/view/306_49.html
http://morfil.javaeye.com/blog/78230

-Katrina

怎样用Eclipse生成jar文件

1.选择你的工程，单击右件，选择”导出”,弹出导出设置界面.
2.设置
选择要作成jar的源文件档案
在“导出产生的类别文件和资源“打勾
在选取导出目的地选择输出的jar文件
选择压缩JAR文件的内容
其它默认设置，在“选取应用程序进入点的类别“上选择“Main类别“
完成.

From:http://www.blogjava.net/rabbit/archive/2008/02/25/181961.html

-Katrina

Useful Link

http://www.faqs.org/docs/Linux-HOWTO/Speech-Recognition-HOWTO.html

http://sunsj123456.blog.163.com/blog/static/23746732200912053751234/

Perl simple introduction

PerlIntro
1. Scalars: A scalar represents a single value. The values can be strings, integers or floating point number, and Perl will automatically convert between them as required. Begin with “$”
Arrays: An array represents a list of values. Begin with “@”
Hashes: A hash represents a set of key/value pairs.
2. my creates lexically scoped variables. Using my in combination with a use strict; as the top of your Perl scripts means that the interpreter will pick up certain common programming errors.
3. if
if ( condition ) {
...
} elseif ( other condition ) {
...
} else {
...
}
There's also a negated version of it:
unless ( condition ) {
...
}

# the Perlish post-condition way
print "Yow!" if $zippy;
print "We have no bananas" unless $bananas;

while
while ( condition ) {
...
}
There's also a negated version, for the same reason we have unless:
until ( condition ) {
...
}
You can also use while in a post-condition:
print "LA LA LA\n" while 1;

for
Exactly like C:
for ($i = 0; $i <= $max; $i++) {
...
}
The C style for loop is rarely needed in Perl since Perl provides the more friendly list scanning foreach loop.
Foreach
foreach (@array) {
print "This element is $_\n";
}
print $list[$_] foreach 0 .. $max;
# you don't have to use the default $_ either...
foreach my $key (keys %hash) {
print "The value of $key is $hash{$key}\n";
}

-Katrina

Chinese Parse

I'm segmenting word from chinese sentences. But I find 1M data need 20min... Maybe I should rewrite my tools...

Chinese Parse:
http://blog.csdn.net/gisfarmer/archive/2009/02/06/3865599.aspx

http://hi.baidu.com/yhustc/blog/item/a8aa334bdcfba0f383025cb1.html/cmtid/e4ff63fa9ef0a1dbb58f31f4

-Katrina

Conversion between Utf-8 and GB2312

Some codes about conversion between utf-8 and gb2312 when handling different text format.

// ChineseCodeLib.h: interface for the CChineseCodeLib class.
//
//////////////////////////////////////////////////////////////////////
#include
using namespace std;

/*
功?能?：?汉?字?GB2312与?UTF-8编?码?互?转?
作?者?：?litz
Email:mycro@163.com
参?考?：?吴?康?彬?先?生?的?文?章?《?UTF-8与?GB2312之?间?的?互?换?》?
http://www.vckbase.com/document/viewdoc/?id=1397
*/


#if !defined(__CCHINESECODELIB_H_)
#define __CCHINESECODELIB_H_


class CChineseCodeLib
{
public:
 static void UTF_8ToGB2312(string& pOut,char *pText, int pLen);
 static void GB2312ToUTF_8(string& pOut,char *pText, int pLen);
 // Unicode 转?换?成?UTF-8
 static void UnicodeToUTF_8(char* pOut,wchar_t* pText);
 // GB2312 转?换?成?　?Unicode
 static void Gb2312ToUnicode(wchar_t* pOut,char *gbBuffer);
 // 把?Unicode 转?换?成?GB2312
 static void UnicodeToGB2312(char* pOut,unsigned short uData);
 // 把?UTF-8转?换?成?Unicode
 static void UTF_8ToUnicode(wchar_t* pOut,char* pText);

 CChineseCodeLib();
 virtual ~CChineseCodeLib();
};

#endif // !defined(__CCHINESECODELIB_H_)

///////////////////////////////////////////////////

// ChineseCodeLib.cpp: implementation of the CChineseCodeLib class.
//
//////////////////////////////////////////////////////////////////////

#include 
#include 
#include 
#include "ChineseCodeLib.h"

//////////////////////////////////////////////////////////////////////
// Construction/Destruction
//////////////////////////////////////////////////////////////////////

CChineseCodeLib::CChineseCodeLib()
{

}

CChineseCodeLib::~CChineseCodeLib()
{

}


void CChineseCodeLib::UTF_8ToUnicode(wchar_t* pOut,char *pText)
{
 char* uchar = (char *)pOut;

 uchar[1] = ((pText[0] & 0x0F) <<>> 2) & 0x0F);
 uchar[0] = ((pText[1] & 0x03) << color="blue" style=" ">return;
}

void CChineseCodeLib::UnicodeToGB2312(char* pOut,unsigned short uData)
{
 WideCharToMultiByte(CP_ACP,NULL,(LPCWSTR)&uData,1,pOut,sizeof(wchar_t),NULL,NULL);
 return;
}

void CChineseCodeLib::Gb2312ToUnicode(wchar_t* pOut,char *gbBuffer)
{
 ::MultiByteToWideChar(CP_ACP,MB_PRECOMPOSED,gbBuffer,2,pOut,1);
 return;
}

void CChineseCodeLib::UnicodeToUTF_8(char* pOut,wchar_t* pText)
{
 // 注?意?wchar_t高?低?字?的?顺?序?,低?字?节?在?前?，?高?字?节?在?后?
 char* pchar = (char *)pText;

 pOut[0] = (0xE0 | ((pchar[1] & 0xF0)>> 4));
 pOut[1] = (0x80 | ((pchar[1] & 0x0F) <<>> 6);
 pOut[2] = (0x80 | (pchar[0] & 0x3F));

 return;
}

void CChineseCodeLib::GB2312ToUTF_8(string& pOut,char *pText, int pLen)
{
 char buf[4];
 char* rst = new char[pLen + (pLen >> 2) + 2];

 memset(buf,0,4);
 memset(rst,0,pLen + (pLen>> 2) + 2);

 int i = 0;
 int j = 0; 
 while(i < color="green" style=" ">//如?果?是?英?文?直?接?复?制?就?可?以?
     if( *(pText + i) >= 0)
     {
         rst[j++] = pText[i++];
     }
     else
     {
         wchar_t pbuffer;
         Gb2312ToUnicode(&pbuffer,pText+i);
      
         UnicodeToUTF_8(buf,&pbuffer);
      
         unsigned short int tmp = 0;
         tmp = rst[j] = buf[0];
         tmp = rst[j+1] = buf[1];
         tmp = rst[j+2] = buf[2];
      
      
         j += 3;
         i += 2;
     }
 }
 rst[j] = '\0';

 //返?回?结?果?
 pOut = rst;     
 delete []rst; 

 return;
}

void CChineseCodeLib::UTF_8ToGB2312(string &pOut, char *pText, int pLen)
{
  char * newBuf = new char[pLen];
  char Ctemp[4];
  memset(Ctemp,0,4);

  int i =0;
  int j = 0;

  while(i < color="blue" style=" ">if(pText[i] > 0)
     {
         newBuf[j++] = pText[i++];         
     }
     else              
     {
         wchar_t Wtemp;
         UTF_8ToUnicode(&Wtemp,pText + i);
  
         UnicodeToGB2312(Ctemp,Wtemp);
      
         newBuf[j] = Ctemp[0];
         newBuf[j + 1] = Ctemp[1];

         i += 3; 
         j += 2;
     }
  }
  newBuf[j] = '\0';

  pOut = newBuf;
  delete []newBuf;

  return;
}

///////////////////////////////////////////////////

//A test main program:

//Input utf.txt in the same folder with the source files.

//Output resutl.txt

// Decode1.cpp : Defines the entry point for the console application.


#include "ChineseCodeLib.h"

#include 
#include 
#include 
using namespace std;

#define LEN 100000

char str[LEN];
string res;


int main(int argc, char* argv[])
{
 ifstream fin("utf.txt");
 ofstream fout("result.txt");

 while(!fin.eof())
 {
     fin.getline(str,LEN);
     if(strlen(str)<10) color="blue" style=" ">continue;
     CChineseCodeLib::UTF_8ToGB2312(res,str,strlen(str));
     //cout<<fout<return 0;
}

From: http://blog.csdn.net/Mycro/archive/2005/12/06/544637.aspx

-Troy

Small Sumary

Training data:

TXT  HTML

RMRB 406M 7.56G

XWLB 4.82M 257M

XW30 5.77M 352M

u8-ansi：convert UTF8 to ANSI. Failure.

Since 20080612, they change the pages in UTF-8 format, and my program is not suit with it. I will rewrite the u8-ansi and firstly I decide to trainning my language model.

-Katrina

An interesting story about ANSI,Unicode and UTF-8

快下班时，爱问问题的小朋友Nico又问了一个问题：
"sqlserver里面有char和nchar，那个n据说是指unicode的数据，这个是什么意思。"
并不是所有简单的问题都很容易回答，就像这个问题一样。于是我答应专门写一篇BLOG来从头讲讲编码的故事。那么就让我们找个草堆坐下，先抽口烟，看看夜晚天空上的银河，然后想一想要从哪里开始讲起。嗯，也许这样开始比较好……

很久很久以前，有一群人，他们决定用8个可以开合的晶体管来组合成不同的状态，以表示世界上的万物。他们看到8个开关状态是好的，于是他们把这称为"字节"。
再后来，他们又做了一些可以处理这些字节的机器，机器开动了，可以用字节来组合出很多状态，状态开始变来变去。他们看到这样是好的，于是它们就这机器称为"计算机"。
开始计算机只在美国用。八位的字节一共可以组合出256(2的8次方)种不同的状态。
他们把其中的编号从0开始的32种状态分别规定了特殊的用途，一但终端、打印机遇上约定好的这些字节被传过来时，就要做一些约定的动作。遇上00x10, 终端就换行，遇上0x07, 终端就向人们嘟嘟叫，例好遇上0x1b, 打印机就打印反白的字，或者终端就用彩色显示字母。他们看到这样很好，于是就把这些0x20以下的字节状态称为"控制码"。
他们又把所有的空格、标点符号、数字、大小写字母分别用连续的字节状态表示，一直编到了第127号，这样计算机就可以用不同字节来存储英语的文字了。大家看到这样，都感觉很好，于是大家都把这个方案叫做 ANSI 的"Ascii"编码（American Standard Code for Information Interchange，美国信息互换标准代码）。当时世界上所有的计算机都用同样的ASCII方案来保存英文文字。
后来，就像建造巴比伦塔一样，世界各地的都开始使用计算机，但是很多国家用的不是英文，他们的字母里有许多是ASCII里没有的，为了可以在计算机保存他们的文字，他们决定采用 127号之后的空位来表示这些新的字母、符号，还加入了很多画表格时需要用下到的横线、竖线、交叉等形状，一直把序号编到了最后一个状态255。从128 到255这一页的字符集被称"扩展字符集"。从此之后，贪婪的人类再没有新的状态可以用了，美帝国主义可能没有想到还有第三世界国家的人们也希望可以用到计算机吧！
等中国人们得到计算机时，已经没有可以利用的字节状态来表示汉字，况且有6000多个常用汉字需要保存呢。但是这难不倒智慧的中国人民，我们不客气地把那些127号之后的奇异符号们直接取消掉, 规定：一个小于127的字符的意义与原来相同，但两个大于127的字符连在一起时，就表示一个汉字，前面的一个字节（他称之为高字节）从0xA1用到 0xF7，后面一个字节（低字节）从0xA1到0xFE，这样我们就可以组合出大约7000多个简体汉字了。在这些编码里，我们还把数学符号、罗马希腊的字母、日文的假名们都编进去了，连在 ASCII 里本来就有的数字、标点、字母都统统重新编了两个字节长的编码，这就是常说的"全角"字符，而原来在127号以下的那些就叫"半角"字符了。
中国人民看到这样很不错，于是就把这种汉字方案叫做 "GB2312"。GB2312 是对 ASCII 的中文扩展。
但是中国的汉字太多了，我们很快就就发现有许多人的人名没有办法在这里打出来，特别是某些很会麻烦别人的国家领导人。于是我们不得不继续把 GB2312 没有用到的码位找出来老实不客气地用上。
后来还是不够用，于是干脆不再要求低字节一定是127号之后的内码，只要第一个字节是大于127就固定表示这是一个汉字的开始，不管后面跟的是不是扩展字符集里的内容。结果扩展之后的编码方案被称为 GBK 标准，GBK 包括了 GB2312 的所有内容，同时又增加了近20000个新的汉字（包括繁体字）和符号。
后来少数民族也要用电脑了，于是我们再扩展，又加了几千个新的少数民族的字，GBK 扩成了 GB18030。从此之后，中华民族的文化就可以在计算机时代中传承了。
中国的程序员们看到这一系列汉字编码的标准是好的，于是通称他们叫做 "DBCS"（Double Byte Charecter Set 双字节字符集）。在DBCS系列标准里，最大的特点是两字节长的汉字字符和一字节长的英文字符并存于同一套编码方案里，因此他们写的程序为了支持中文处理，必须要注意字串里的每一个字节的值，如果这个值是大于127的，那么就认为一个双字节字符集里的字符出现了。那时候凡是受过加持，会编程的计算机僧侣们都要每天念下面这个咒语数百遍：
"一个汉字算两个英文字符！一个汉字算两个英文字符……"
因为当时各个国家都像中国这样搞出一套自己的编码标准，结果互相之间谁也不懂谁的编码，谁也不支持别人的编码，连大陆和台湾这样只相隔了150海里，使用着同一种语言的兄弟地区，也分别采用了不同的 DBCS 编码方案——当时的中国人想让电脑显示汉字，就必须装上一个"汉字系统"，专门用来处理汉字的显示、输入的问题，但是那个台湾的愚昧封建人士写的算命程序就必须加装另一套支持 BIG5 编码的什么"倚天汉字系统"才可以用，装错了字符系统，显示就会乱了套！这怎么办？而且世界民族之林中还有那些一时用不上电脑的穷苦人民，他们的文字又怎么办？
真是计算机的巴比伦塔命题啊！
正在这时，大天使加百列及时出现了——一个叫 ISO （国际标谁化组织）的国际组织决定着手解决这个问题。他们采用的方法很简单：废了所有的地区性编码方案，重新搞一个包括了地球上所有文化、所有字母和符号的编码！他们打算叫它"Universal Multiple-Octet Coded Character Set"，简称 UCS, 俗称 "UNICODE"。
UNICODE 开始制订时，计算机的存储器容量极大地发展了，空间再也不成为问题了。于是 ISO 就直接规定必须用两个字节，也就是16位来统一表示所有的字符，对于ascii里的那些“半角”字符，UNICODE 包持其原编码不变，只是将其长度由原来的8位扩展为16位，而其他文化和语言的字符则全部重新统一编码。由于"半角"英文符号只需要用到低8位，所以其高 8位永远是0，因此这种大气的方案在保存英文文本时会多浪费一倍的空间。
这时候，从旧社会里走过来的程序员开始发现一个奇怪的现象：他们的 strlen函数靠不住了，一个汉字不再是相当于两个字符了，而是一个！是的，从 UNICODE 开始，无论是半角的英文字母，还是全角的汉字，它们都是统一的"一个字符"！同时，也都是统一的"两个字节"，请注意"字符"和"字节"两个术语的不同， “字节”是一个8位的物理存贮单元，而“字符”则是一个文化相关的符号。在UNICODE 中，一个字符就是两个字节。一个汉字算两个英文字符的时代已经快过去了。
从前多种字符集存在时，那些做多语言软件的公司遇上过很大麻烦，他们为了在不同的国家销售同一套软件，就不得不在区域化软件时也加持那个双字节字符集咒语，不仅要处处小心不要搞错，还要把软件中的文字在不同的字符集中转来转去。UNICODE 对于他们来说是一个很好的一揽子解决方案，于是从 Windows NT 开始，MS 趁机把它们的操作系统改了一遍，把所有的核心代码都改成了用 UNICODE 方式工作的版本，从这时开始，WINDOWS 系统终于无需要加装各种本土语言系统，就可以显示全世界上所有文化的字符了。
但是，UNICODE 在制订时没有考虑与任何一种现有的编码方案保持兼容，这使得 GBK 与UNICODE 在汉字的内码编排上完全是不一样的，没有一种简单的算术方法可以把文本内容从UNICODE编码和另一种编码进行转换，这种转换必须通过查表来进行。
如前所述，UNICODE 是用两个字节来表示为一个字符，他总共可以组合出65535不同的字符，这大概已经可以覆盖世界上所有文化的符号。如果还不够也没有关系，ISO已经准备了UCS-4方案，说简单了就是四个字节来表示一个字符，这样我们就可以组合出21亿个不同的字符出来（最高位有其他用途），这大概可以用到银河联邦成立那一天吧！
UNICODE 来到时，一起到来的还有计算机网络的兴起，UNICODE 如何在网络上传输也是一个必须考虑的问题，于是面向传输的众多 UTF（UCS Transfer format）标准出现了，顾名思义，UTF8就是每次8个位传输数据，而UTF16就是每次16个位，只不过为了传输时的可靠性，从UNICODE到 UTF时并不是直接的对应，而是要过一些算法和规则来转换。
受到过网络编程加持的计算机僧侣们都知道，在网络里传递信息时有一个很重要的问题，就是对于数据高低位的解读方式，一些计算机是采用低位先发送的方法，例如我们PC机采用的 INTEL 架构，而另一些是采用高位先发送的方式，在网络中交换数据时，为了核对双方对于高低位的认识是否是一致的，采用了一种很简便的方法，就是在文本流的开始时向对方发送一个标志符——如果之后的文本是高位在位，那就发送"FEFF"，反之，则发送"FFFE"。不信你可以用二进制方式打开一个UTF-X格式的文件，看看开头两个字节是不是这两个字节？
讲到这里，我们再顺便说说一个很著名的奇怪现象：当你在 windows 的记事本里新建一个文件，输入"联通"两个字之后，保存，关闭，然后再次打开，你会发现这两个字已经消失了，代之的是几个乱码！呵呵，有人说这就是联通之所以拼不过移动的原因。
其实这是因为GB2312编码与UTF8编码产生了编码冲撞的原因。
从网上引来一段从UNICODE到UTF8的转换规则：
Unicode
UTF-8
0000 - 007F
0xxxxxxx
0080 - 07FF
110xxxxx 10xxxxxx
0800 - FFFF
1110xxxx 10xxxxxx 10xxxxxx

例如"汉"字的Unicode编码是6C49。6C49在0800-FFFF之间，所以要用3字节模板：1110xxxx 10xxxxxx 10xxxxxx。将6C49写成二进制是：0110 1100 0100 1001，将这个比特流按三字节模板的分段方法分为0110 110001 001001，依次代替模板中的x，得到：1110-0110 10-110001 10-001001，即E6 B1 89，这就是其UTF8的编码。
而当你新建一个文本文件时，记事本的编码默认是ANSI, 如果你在ANSI的编码输入汉字，那么他实际就是GB系列的编码方式，在这种编码下，"联通"的内码是：
c1 1100 0001
aa 1010 1010
cd 1100 1101
a8 1010 1000
注意到了吗？第一二个字节、第三四个字节的起始部分的都是"110"和"10"，正好与UTF8规则里的两字节模板是一致的，于是再次打开记事本时，记事本就误认为这是一个UTF8编码的文件，让我们把第一个字节的110和第二个字节的10去掉，我们就得到了"00001 101010"，再把各位对齐，补上前导的0，就得到了"0000 0000 0110 1010"，不好意思，这是UNICODE的006A，也就是小写的字母"j"，而之后的两字节用UTF8解码之后是0368，这个字符什么也不是。这就是只有"联通"两个字的文件没有办法在记事本里正常显示的原因。
而如果你在"联通"之后多输入几个字，其他的字的编码不见得又恰好是110和10开始的字节，这样再次打开时，记事本就不会坚持这是一个utf8编码的文件，而会用ANSI的方式解读之，这时乱码又不出现了。
好了，终于可以回答NICO的问题了，在数据库里，有n前缀的字串类型就是UNICODE类型，这种类型中，固定用两个字节来表示一个字符，无论这个字符是汉字还是英文字母，或是别的什么。
如果你要测试"abc汉字"这个串的长度，在没有n前缀的数据类型里，这个字串是7个字符的长度，因为一个汉字相当于两个字符。而在有n前缀的数据类型里，同样的测试串长度的函数将会告诉你是5个字符，因为一个汉字就是一个字符。
希望这篇文章是NICO想要的.

Processes to initate training data

After download html, shtml or htm pages, I have to pick out the content of the pages.  After that, I  initate the tarining data because HTK have certain input format.

1. convert html/shtml/htm pages into txt.  ----shtml2txt

    Although I wrote this program, it's not that suitable to RMRB. To RMRB,I have rewrite a new one specially.

2. sentence segmentation. ----init_text

    Init_text is a useful tool which which convert number into characther and delete useless symbols. Also, at the begining and end of the sentence, "" "" is needed. Because in HTK, these two symbols are the signal for one sentence.

    I wrote this program last year for XWLB. But it have some bugs. First, when encounter long numbers which is very long like 12345556667778, my program will stop because it's too long. Second, I delete all the files which have is very small and have no useful information in them firstly. I will write another effectively initatial program...

-Katrina

Useful Dos commands

We are used to the windows OS, but it is too slow to cut, duplicate and paste when encountered a mount of files. In some circumstance, Dos commands are still very useful today.

1. dir

　　dir是英文单词directory(目录）的缩写，主要用来显示一个目录下的文件和子目录。

　　[功能] 显示指定磁盘、目录中的文件和子目录信息，包括文件及子目录所在磁盘的卷标、文件与子目录的名称、每个文件的大小、文件及目录建立的日期时间，以及文件子目录的个数、所占用总字节数以及磁盘上的剩余总空间等信息。

　　[格式] dir [C:][path][filename][.ext][/o][/s][/p][/w][/a]

　　[说明] dir是DOS命令中最常用的一个。斜杠表示后面的内容是参数。DOS参数最常用的是以下四个：

　　/p 显示信息满一屏时，暂停显示，按任意键后显示下一屏

　　/o 排序显示。o后面可以接不同意义的字母

　　/w 只显示文件名目录名，每行五个文件名。即宽行显示

　　/s 将目录及子目录的全部目录文件都显示

　　2. md 

　　md是英文make directory（创建目录）的缩写

　　[功能] 创建一个子目录 

　　[格式] md [C:]path 

　　[举例] 我们在C盘建立一个叫123的文件夹：md c:\123

　　3. cd 　

　　cd是英文change directory(改变目录）的缩写

　　[功能] 改变或显示当前目录 

　　[格式] cd [C:][path] 

　　[说明] 路径可以使用绝对路径和相对路径两种。如果只有cd而没有参数，则只显示当前路径。

　　注意：子目录中一定有两个"特殊目录"，即"."".."，其中一点表示当前目录，两点表示上一层目录。从简单实用的角度来看，我们只要学会逐层进入（cd 下一层某目录名），和逐层退出（cd..）就可以解决所有问题。当然也可以用绝对路径的办法。

　　[举例] 进入我们刚才建立的123目录：cd c:\123

　　4. rd 

　　remove directory--删除目录

　　[功能] 删除空子目录

　　[格式] rd [c:]path

　　[说明] rd是专门删除空子目录的命令。注意两条：一是不能删除非空目录；二是不能删除当前目录。

　　[举例] 用rd删除123这个目录 cd c:\123

　　5.copy在英文中是复制的意思

　　[功能] 复制一个或一组文件到指定的磁盘或目录中　 

　　[格式] copy [C:][path][filename.ext] [C:][path]filename.ext　

　　[说明] 复制文件命令基本用法是："复制 源文件名 目标文件名"。如果只写目标路径而不写目标文件名，表示同名复制；否则称为换名复制。注意换名复制一般不要更改文件扩展名。　 

　　[举例] 将C:\123目录的所有文件复制到E盘，可以打如下命令，请注意当前盘与当前路径不同：

　　copy c:\123 e:\ 

　　如果目标盘上已有同名文件，会出现如下提示，"Overwrite xxxx(Yes/No/All)"此时回答Y则覆盖当前文件，N则保留，A则覆盖此后的所有文件而不再提问。　 

　6. del 

　　del是英文delete（删除）的缩写 

　　[功能] 删除指定磁盘、目录中的一个或一组文件 

　　[格式] del [C:][path]filename.ext 

　　[说明] 这个命令应小心使用。一旦被删除，将不易恢复。同样可以采用通配符为删除一类文件。当利用*.*时，为了安全将给出警告，确定方进行删除工作。删除过程如没有信息提示，表示已正确删除。 

　　注意这个命令不能删除具有只读、隐含、系统属性的文件；如果指定文件不存在，则出现"File not found"的提示；DOS对误删除的文件可以用UNDELETE外部命令恢复；它只能删文件，不能删目录。

　　7. ren

　　ren是英文rename（重新命名）的简写 

　　[功能] 对指定磁盘、目录中的一个文件或一组文件更改名称

　　[格式] ren [C:][path]filename1[.ext] filename2[.ext]

　　[说明] 改名操作只限于某个文件某组文件的名称，它不会更改文件所在的目录。如果使用了通配符，则对一批文件进行更名。

　　8. type

　　[功能] 在屏幕上显示文本文件内容命令

　　[格式] type [C:][path]filename.ext

　　[说明] type命令用来在屏幕上快速、简便地显示文本文件的内容，扩展名为TXT的文件是文本文件。如果用这个命令显示扩展名为EXE或COM等其它文件，输出的结果往往是一些乱七八糟的符号并伴有无规则的响铃声，有时甚至会出现死机现象。

　　9. format

　　[功能] 磁盘格式化 

　　[格式] [C:][path]format drive:[/S] 

　　[说明] 厂家制造的各种磁盘可用来存储各种操作系统下的文件。不同操作系统的磁盘格式一般是不相同的，是不通用的。format命令就是使一个新的磁盘可以被DOS操作系统识别，即可存储DOS文件。

　　这个命令对磁盘的格式化过程，实际上是用DOS规定的信息存储格式对磁盘进行规划的过程。格式化磁盘时，要清除磁盘上已经存在的所有数据，在磁盘上写上引导记录，划分出文件分配表和根目录，同时，它还要找出磁盘上的所有坏扇区并作上不可使用的标记。命令参数我们这里只列出了一个：/S。当使用了这个参数后，磁盘格式化并装入操作系统文件，使之变成引导盘。相当于format后再进行下一命令：SYS。 

　　10. discopy

　　diskcopy，翻译成中文就是磁盘复制　

　　[功能] 复制出一个和原来磁盘内容一模一样的磁盘

　　[格式] diskcopy　源驱动器名　目的驱动器名

　　[说明] 它的主要用途就是用来备份。比如我们的电脑在刚买来时，会随机附带一些设备驱动程序磁盘，这些驱动程序在以后都有可能用到，为防止这些磁盘的损坏，一定要将它们都备份一套，这时，使用diskcopy命令是比较快捷和方便的。 

　　11. deltree 

　　[功能] 删除目录树

　　[格式] [C:][path]DELTREE [C1:][path1] [[C2:][path2] […]]

　　[说明] 这个命令将整个指定目录树全部消灭，而不管它是否是只读、隐藏与否。使用应特别小心。它是一个危险命令。

12. mem

　　mem是memory的缩写

　　[功能] 该命令用来查看你的计算机内存有多少，以及内存的使用情况。

　　[格式] 直接键入mem命令

　　13. chkdsk 

　　chkdsk是check disk的缩写。 

　　[功能] 用来检查你的磁盘的使用情况。

　　[格式] chkdsk　磁盘名

　　[说明] 例如要检查A盘使用情况，就输入chkdsk　A: ，检查c盘使用情况，就输入chkdsk　C: ，如果直接输入chkdsk，就检查当前磁盘的使用情况。

　　14. sys 

　　[功能] 传递系统文件命令。将DOS的两个隐含的系统IO.SYS和MSDOS.SYS传送到目标磁盘的特定位置上，并将COMMAND.COM文件复制过去。完成后，目标盘成为DOS的启动盘。

　　[格式] [C:][path]SYS [C1:][path] d2:

　　[说明] 由于这几个文件需要复制到特定位置上，所以用COPY命令完成的复制未必能够启动机器。能过SYS命令，DOS可以将目标盘已占据特定位置的文件移动，并将系统文件复制到相应位置上。参数C1:path用来指明系统文件所在目录。如不指明，则缺省为当前盘的当前目录。所以这个命令一般要在源盘的根目录进行。 

　　15. path 

　　[功能] 设定DOS寻找.COM、.EXE、.BAT文件的所在目录

　　[格式] path=[[drive:]path[;…]]或path

　　[说明] 只打path没有参数时，只显示环境变量内容。有参数时，重新设置path变量。在没有指定path环境变量时，用户发出的命令，DOS首先判断其是否为内部命令，再查找当前目录中是否有主文件名是该命令的可执行文件，如果均不是，则显示信息"Bad command or filename"。如果发出了指定路径的命令，则在指定径中依次查找，仍找不到则出现上述提示。

　　16. edit 

　　[功能] edit命令是一个简单的编辑软件，我们经常用它来编辑一些程序和批处理文件。

　　17. cls

　　[功能] 清除显示器屏幕上的内容，使DOS提示符到屏幕左上角。 

　　[格式] cls

　　18. time

　　[功能] 显示和设置DOS的系统时间

　　[格式] time [hh[:mm[:ss[.cc]]]

　　19. date

[功能] 显示和设置DOS的系统日期

　　[格式] date [MM-DD-YY]

From http://popul.jqcq.com/computer/2008-03/206347897.html

-Katrina

Download tools

Recently, I mainly focus on downloading news from www.people.com (people daily?). We need a lot of news material to work for our research. I tried many download tools before. Last year, when I downloaded news from CCTV, the main tools is Thunder5. And this time I tried webzip and offline explorer.

Thunder5

We are very familiar with it. We can download songs, movies, picture and so on. Another useful function you may omit is that it can be download from the task list. Therefore, I could write all of the address  in one link.lst and let it work for me. But it is a little complex compared with webzip and offline explorer because it's not the professional tool to download website, I have to find out all of page links . Still, it's a good helper for us to get our entertainments.

Webzip

In fact, I was frustrated because I feel webzip is not so convenience as it discribed. I feel so bad when I change the download file path. When I open the properities again, the file path was the same as before. Also, it is not robust enough as when some exception occure, some mistakes always take place. I told my professor I finished the task by using webzip when the webzip project stop, but one day later, I found there are still pages I should save.  Maybe something wrong with my configure file, but I still feel it's not a good tools as I expected.

I downloaded news 30minites and CCTV news by webzip. Level=2. All finished. Clear, neat and tidy.

If the website level you need is not so deep, you may choose it.

Offerline Explorer

I'm using this tool to downloading RMRB from www.people.com.From 2000 to 2006. I have already save 4G pages but the program is still runing. I think it's the most convenience tool. It can be stopped by the stop button simply not like the webzip. 

My computer has been working from 11:00pm last night.. 

After this project is finished, my dear computer can have a rest.

And I have to step into next section.

I love you~

UNË TË DUA!
أنا أحبك
ОБИЧАМ ТЕ
TE AMO
我爱你
我愛你
VOLIM TE
MILUJI TĚ
JEG ELSKER DIG
IK HOU VAN JOU
MA ARMASTAN SIND
MAHAL KITA
MINÄ RAKASTAN SINUA
JE T'AIME
Eu Te amo
ICH LIEBE DICH
ΣΕ ΑΓΑΠΩ
אני אוהב אותך
मैं आपसे प्यार करता / करती हूँ
SZERETLEK
AKU CINTA KAMU
TI AMO
愛しています
당신을 사랑합니다
ES MĪLU TEVI
AŠ TAVE MYLIU
INĦOBBOK
JEG ELSKER DEG
KOCHAM CIĘ
EU TE AMO
TE IUBESC
Я ТЕБЯ ЛЮБЛЮ
ВОЛИМ ТЕ
Milujem ťa
LJUBIM TE
TE AMO
JAG ÄLSKAR DIG
ฉันรักเธอ
SENİ SEVİYORUM
Я ТЕБЯ ЛЮБЛЮ
TÔI YÊU BẠN
I LOVE YOU

dir(1)

dir *.html /s /b ->dir.txt

1. "*" could represent N bit character; "?" is only for 1 bit.

2. "/s" put all the files' directory pathname into dir.txt including the sub documents.

-Katrina

Hello world!

Hi, everybody! This is the first passage I write on this blog. You may see another article, it's publised by my darling boyfriend. The cute naughty boy is so excited for my new blog that wrote the first article here,ha..
Ok. My new English name is Katrina and from now on I'll love it as much as myself. I look the new name for a long time. I just got this blog today to record my life, of course mainly about my study and work, our research progress and so on. I hope I'll be able to remember most part of what I'll learn, experice and feel with the help of this blog. Also, I'll use English as much as possible.
Thx for coming~!

-Katrina