char型和long型的转换

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.2w累计阅读 1.2w+平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄17年

关注

原创最新推荐文章于 2026-03-22 00:44:05 发布 1.2w 阅读 AI 写同款· GEO 优化 ›

Java基础学习第二篇（数据类型转换）数据类型转换阅读详情

才开始做C语言嵌入式开发，遇到了不少的问题。其中，char型的数组和long型之间的转换困了一些日子。

做英飞凌单片机的开发，用到了存储卡的功能。在存储卡中存放了有效数据的总长度之类的信息。封装了一个函数read（char * ch，long numer，char * ch0）读取出来的长度信息是一个char*的数组，如何能将其转换为long型的,困惑了2个小时。汗颜啊，不过还是找到两种方法。

char 8bit

long 32bit

unsigned char ch[4]={0x10,x012,0x13,0x14};
unsigned long length=0;
//以下操作完成char型数组到long型的转换
//第一种方法
length=(unsigned long)ch[0] | (unsigned long)ch[1]<<8  |  (unsigned long)ch[2]<<16 | (unsigned long)ch[3]<<24;
//第二种方法
length=(unsigned long)&ch;

通过以上两种方式可以完成数组类型的转换！

关注博主即可阅读全文

收录于

当前文章被以下社区和专栏收录：

标签

#存储 #嵌入式 #语言 #c

vc++ 字符串类型转为整型，char转为long，char转为int //字符串转整型 long int char2long(char* sz) { if (strlen(sz)==0) return 0; long num=0,num2=0; if(strlen(sz)<=10) { for (int i=0;i<strlen(sz);i++) { memcpy(&num2,sz+i,1); num2=num2-'0'; num=num*10+num2; } } return num; } 立即下载

相关推荐

工业视觉开发者的福音：用C#玩转VisionMaster算子（非方案版完整教程）

本文为工业视觉开发者提供了一份完整的C#与VisionMaster算子二次开发教程，详细介绍了环境配置、算子调用原理、性能优化技巧及实战案例。通过模板匹配和二维码识别等实例，展示了如何高效集成VisionMaster算子到现有框架中，提升工业自动化视觉检测系统的灵活性和性能。

weixin_29280657的博客 270

C 程序设计教程（07）—— 数据类型转换

类型转换

睿思达DBA 1515

新能源充电桩充电枪口标准

建立的标准确保了新能源汽车充电的安全性、兼容性和效率，促进了新能源汽车产业的发展。

网络安全的研究者、新能源行业的追求者 4688

C语言 char转long int

该问题是在工作中需要把一逻辑编号转到物理IMEI编号一个起始的IMIE 也就是 char buf[]; 逻辑编号是short型但是要根据逻辑编号自动生成相应的物理编号。数组中的是以BCD码形式存储的需要从BCD码转到字符串。转换完成后翻转数组然后进行内存拷贝然后进行运算然后在拷贝翻转 int main(void) { int i; unsig

qq_31736027的博客 4359

在最新版eclipse中配置使用AI AIcoder _AIcoder配置GPUSTACK使用_配置OLLAMA本地AI模型利用_集合---AI场景应用工作笔记

本文介绍了三款实用的编程辅助工具：一款便捷的反编译插件，可直接在插件市场安装使用；GitHub Copilot提供每月2000次代码补全和50条聊天记录的免费额度，支持智能代码提示功能；aicoder支持配置本地模型运行。这些工具都能有效提升开发效率，其中GitHub Copilot的智能补全功能尤为突出。

添柴程序猿的专栏 1238

PostgreSQL的学习心得和知识总结（八十二）|深入理解PostgreSQL数据库SQL语句的词法解析和语法解析流程

postgresql 词法解析语法解析流程

孤傲小二~阿沐的博客 5448

Oracle long 类型转 varchar2

本想查一下新建VIEW的代码里是否包含特定的字串，结果报错： SQL> select * from USER_VIEWS where upper(text) like '%MAP%'; select * from USER_VIEWS where upper(text) like '%MAP%' ORA-00932: 数据类型不一致: 应为 CHAR, 但却获得 LONG 大概补充一下Oracle long类型的知识： Oracle中的LONG类型有两种：LONG文本类型，能存储2GB的文本.

游游的记事本 8571

PLC如何控制电子膨胀阀（暖通空调/制冷系统）

电子膨胀在冷水机空调系统里广泛采用，大部分空调系统都会有电子膨胀阀，但是电子膨胀阀的控制接口和普通电磁阀完全不同，所以想要PLC直接控制电子膨胀阀，还是比较麻烦的，电子膨胀阀可以理解为一个简易步进电机，体积非常小，线圈和转子部分可以分离。下面我们看下PLC如何控制电子膨胀阀。

RXXW_Dor的博客 4760

关于如何将char*转换成long型整数

在计算机中，long型数占4个字节，每个字节中存储相应的二进制数据，我们做以下测试，就可看出高低位顺序及每个字节存储的内容， char a[5]; long b = 1; memcpy(a, (char *)&b, 4 ); 我在winxp下vs08做实验，得到long的高低位顺序为a[3],a[2],a[1],a[0],之后我们对于题目的问题就非常容易了。 例如将char* str中的字节转化成long i；可用如下代码：memcp

一只牛的专栏 1万+

机器学习实战26-一种基于LightGBM的股市涨跌预测系统与代码实现过程

在全球经济一体化的背景下，股市作为经济活动的晴雨表，其波动与预测对于投资者、金融机构乃至国家政策制定者而言至关重要。随着金融市场的日益复杂化与信息量的爆炸式增长，股市分析不再仅限于基本面和技术面的传统研究，而是迫切需要更加精准、高效及智能化的方法来捕捉市场动态，以辅助决策制定。模型评估是确保LightGBM股市预测系统准确性和稳定性不可或缺的一环。通过综合运用多种评估指标、科学的验证方法以及深入的性能分析，我们不仅能够全面理解模型的能力和限制，还能为持续优化模型、提升预测准确性奠定坚实基础。

微学AI的博客 2327

单片机设计具备断电记忆功能的计时器

本文介绍了如何设计一款具备断电记忆功能的计时器，利用单片机和EEPROM存储器实现了计时器值的保存和恢复。当然，在实际的设计中还需要考虑其他因素，如电源管理、时钟精度等，以确保计时器的正常运行和准确性。选择合适的单片机：在设计计时器时，我们需要选择一款具备存储功能的单片机，以便在断电后能够保存计时器的状态。可以优化显示方式，使用更加直观的界面来展示计时器的值；函数中，我们首先从 EEPROM 中读取计时器的初始值，然后在一个无限循环中每秒钟增加计时器的值，并将新的值写入 EEPROM 中。

RlDart的博客 1094

c语言 long 转char类型,在VC++中各数据类型之间怎样转换？如：long型怎样转换为char型，char型怎样转换为long型。在那里有讲数据类型转换的资料？...

VC常用数据类型使用转换详解 (zhuan tie)作者：程佩君刚接触VC编程的朋友往往对许多数据类型的转换感到迷惑不解，本文将介绍一些常用数据类型的使用。我们先定义一些常见类型变量借以说明int i = 100;long l = 2001;float f=300.2;double d=12345.119;char username[]=\"女侠程佩君\";char temp[200];char ...

weixin_30300027的博客 2098

蓝牙模块HM-10手册

蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

int(long,short)型指针和char型指针的相互转换

int* p = 0x1234; //int型指针p，p为一个地址，*p取从地址p开始的连续的4字节的数据。（不知道对不对）char* pc; //char型指针pc，pc为一个地址，*pc取从地址pc开始的1个字节的数据。（不知道对不对） pc = (char*)p; 那么*pc的值是什么？答案：pc指针指向低字节的地址，也就是指向34的地址所以printf("%x\n",*pc)；控制台...

fanxin_i的博客 4553

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

qt中将int、long型转换成char、string

QString QString::number ( long n, int base = 10 ) [静态]一个把数字n转换为字符串的方便函数，n被基于base表示，默认为10，并且必须在2到36之间。 long a = 63; QString str = QString::number( a, 16 ); // str == "3f" QString str

catamout的专栏 1万+

假人有限元模型

假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用

CString转换为int、long、char*型的一些函数和例子

1.CString->int、longCString strTest = "1000 test";int i = 0;i = _ttoi(strTest);strTest = "-199 dollars";long l = 0;l = _ttol(strTest); 输出：i = 1000;l = -199; 2.CStringchar*2.1

Code Captain的专栏 2万+

c语言long型转换成string,qt中将int、long型转换成char、string

QString QString::number ( long n, int base = 10 ) [静态]一个把数字n转换为字符串的方便函数，n被基于base表示，默认为10，并且必须在2到36之间。long a = 63;QString str = QString::number( a, 16 ); // str == "3f"QString str = QString::number( a,...

weixin_35952362的博客 1667

c语言 double **x,C语言题目若已定义x和y为double类型，则表达式“x=1，y=x+3/2"的值是：...

表达式的计算值为：2.0源程序代码以及算法解释如下：#include //头文件using namespace std;//引用命名空间int main(){double x;//定义double变量x,ydouble y;x = 1;//将x赋值y = x + 3 / 2;//求y表达式的值cout << "x=1，y=x+3/2= " << y << end...

weixin_30010987的博客 6892

赋值中的类型转换

当赋值运算符两边的运算对象类型不同时，将要发生类型转换，转换的规则是：把赋值运算符右侧表达式的类型转换为左侧变量的类型。具体的转换如下： (1) 浮点型与整型 ● 将浮点数(单双精度)转换为整数时，将舍弃浮点数的小数部分，只保留整数部分。将整型值赋给浮点型变量，数值不变，只将形式改为浮点形式，即小数点后带若干个0。注意：赋值时的类型转换实际上是强制的。 (2) 单、双精度

逍遥.安——于安静和黑暗中寻找最亮丽的风景 2051

C基本数据类型的转换顺序

自动类型转换：自动将精度低，表示范围小的运算对象类型向精度高表示范围大的运算对象类型转换。以便得到较高精度的运算结果。 double ←—— float 高 ↑ long ↑ unsigned ↑ int ←—— char,short 低 ● 图中横向箭头表示必须的转换，在表达式中有char 或者short型数据，一律转换为int 型参加运算。如两个float型数参加