1 标题提取(包含正文).cpp

1998年1月份人民日报语料中体育类文章的识别

//功能：提取 语料库的标题
//输入：199801.txt语料库
//输出dic_try1.txt 标题集
//思路：
//根据篇章信息（19980104-04-001-001）确定当前读入行是否是标题（－001是标题）
//	如果是标题，显示（修改显示标志位 print＝1）
//  不是（print=0）
#include <stdio.h>
void main()
{
	FILE *fp;FILE *fpw;
	fp=fopen("199801.txt","r");//读入文件
	fpw=fopen("dic_try1.txt","w");//写入文件

	if (fp==NULL)
	{	printf("cannot open thi file\n");}
	if (fpw==NULL)
	{	printf("cannot open thi file\n");}

	int status=0;//0 处理排版信息 1 处理词
	int pb_p=0;
	int print=0;

	int i=1;
	unsigned int temp[20];//篇章信息 19位

	while(!feof(fp))
	{
		unsigned int c1 =fgetc(fp);//printf("%x\n",c1);
		if(c1==-1){continue;}//处理文件结尾符作为字符显示的问题		

//处理回车，同时说明了 篇章信息和文章内容的结束
		if(c1==10){	
			if(print==1)
			{fputc(c1,fpw);print=0;}
			pb_p=0;			
			continue;
		}

//处理空格	
		if(c1==32){		
					if(print==1)fputc(c1,fpw);
					continue;
		}
//ascii码(1 篇章信息 2 标注信息)
		if(c1<161){
					//修改 打印标题 标志位			
					if (c1>=48 && c1<=57 || c1==45)  //是篇章信息
					{
						pb_p=(pb_p++)%19;
						if(c1!=temp[15] && pb_p==15 ){print=1;}												
						temp[pb_p]=c1; 
						if(pb_p==19 && print==1)
						{	fputc(10,fpw);	
							for( i=1;i<20;i++)
								fputc(temp[i],fpw);	
						
						}
					}
					else{//标注信息
					}		
		}
//是一个GBK	（文章内容）
			else{	
				//if(print==1)
					fputc(c1,fpw);			
				unsigned int c2 =fgetc(fp);				
			//	if(print==1)
					fputc(c2,fpw);
			}

	}
	fclose(fpw);
	fclose(fp);
}