使用char型数组过程中遇到的问题

字符串末尾自动加上'\0'的情况 之前一直都有一个问题困扰着我,就是我们知道C风格的字符串在用strlen求长度时只会遇到'\0'结束,如果一个字符数组全部填满了,而在末尾没有加上'\0'就会出现结果不定的现象(一直读取当前内存后面的数据,直到遇到'\0'时结束!);但当什么时候字符串后面编译器会自动加上结尾符呢? 测试代码如下: int main() { /*my_err_record my_error; 阅读详情

简述

最近开发中用到了char数组来接收数据 , 在使用中遇到了一些问题,这里记录一下,同时也回顾一下char数组的用法。

代码之路

事例一:

char aa[0];

首先,我们要知道,0长度的数组在ISO C和C++的规格说明书中是不允许的,用VS2013编译报错:“不能分配常量大小为 0 的数组”。

事例二:

char aa[4] = "1234";

这里写图片描述
这样我们定义一个长度为4的数组,直接赋值“1234”,这里会提示 数组界限溢出,看上图中提示,“1234”实际上类似char bb[5] = “1234”; 说明“1234”后面还有一个字符结束符’\0’的存在,所以占了5个字符。

那么char数组最后一位必须是’\0’吗?不一定,‘\0’只是字符串的结束标记,并没有规定char数组的最后一位必须是’\0’,那为什么这里将“1234”赋值给aa[4] 这个数组不行呢,’1’、’2’、’3’、’4’刚好4个字符分别分配给aa[0]、aa[1]、aa[2]、aa[3],这样的确可以,下面会给出例子确实可以这样分配,但是这里的 “1234”如上所述是类似于一个char bb[5] 的数组,你能把一个长度为5的数组强行赋值给一个长度为4的数组吗?,,,显然不可以,所以这里会提示错误。

事例三:

char aa[4];
char bb[5] = "1234";
memcpy(aa, bb, 4);
int len = strlen(aa);
count << aa;
count << bb;
count << "aa Length : " << len;

这里写图片描述

仔细看图片上箭头标注的地方,为什么aa数组显示为“1234…”,而bb数组显示为“1234”,再看看看红色矩形框中的数据。

先看aa数组,箭头所指位置显示为“1234…”这里为什么在1234后面显示省略号呢,原因就是aa数组后面没有字符结束符’\0’,这里的’…’其实就是aa数组后面的数据,其实将aa和bb数组输出就知道发生了什么。

输出:
12341234
1234
aa Length : 8

好了,我们也看到结果了,输出aa数组时将bb数组的值也一起输出了,这是为什么呢?
看一下aa数组和bb数组的地址aa:efd28 与 bb:efd2c ,相差4位,而bb数组的数据在aa数组之后,在输出时因为aa数组没有字符结束符,而bb数组最后一位为’\0’ ,所以输出aa时一直到bb数组的最后一位’\0’结束。同时我们也看到aa数组的长度为8,正如输出字符的长度。

而这里我们确实看到’1’、’2’、’3’、’4’ 这4个字符分别分配给了 aa[0]、aa[1]、aa[2]、aa[3] ,这里通过memcpy方法能够将bb数组中前4个字节的内容拷贝到aa数组中 , 所以通过内存拷贝的方法是可以的,但是直接给aa数组赋值 “1234”在本质上就是不对的。

再看到bb数组,箭头部分显示为“1234”是正确的,矩形方框内末尾一位为’\0’,所以输出bb数组是没有问题的。


那么aa数组的起始地址和bb数组的起始地址是怎么定的呢 ,难道是哪个数组先定义哪个地址就在前吗?

char bb[5] = "1234";
char aa[4];
memcpy(aa, bb, 4);
count << aa;
count << bb;

这里写图片描述

我们看到尽管aa数组定义在了bb数组后面,但是aa数组的地址仍在bb数组前面,关于内存地址如何分配我们下期给予论述。

事例四

c++中的char* 和char[]的使用 在c/c++中对char[] 和char*表示字符串使用的基本问题,包括取值,复制,求大小,看空间等等 阅读详情

相关推荐

内存对齐,导致char型数组指针转化为float型指针出现的问题

前阵子在做一个无线调参软件时,需要把一个float型的变量从上位机(qt平台编写)发给下位机(stm32),然后我采取的做法是将储存float变量的四个字节里面的数据通过串口以此发给下位机,然后下位机用一个char[4]数组进行接收,然后将char型数组的指针类型强行转化为float型,并将其读出,这样子就可以得到原来的float类型,stm32运行时发现了一个奇怪的问题,如下: uint32_

l_w_zeng的博客 2698

C语言字符串

学习笔记,仅供参考。 学习资源:中国大学MOOC平台,哈尔滨工业大学的《C语言程序设计精髓》 一、字符串的输入和输出 1、逐个字符输入输出字符串 putchar ( ) 是C语言库中自带的字符串输出函数。 2、用 scanf 输入/输出字符串 scanf ( ) 函数不能输入空白字符,若要输入则用 gets ( ) 函数。 在调用 getchar ( ) 函数时,编译器会依次读取缓存区中的字符,其中包括空白字符,所以上述代码必须在输入 ch 字符前添加语句 getchar ( ..

weixin_62707591的博客 1538

工业音频故障检测:从CNN到Transformer的技术演进

音频信号处理是工业设备预测性维护的核心技术之一,通过分析设备运行时产生的声波特征实现故障预警。传统方法依赖梅尔频率倒谱系数(MFCC)等手工特征,而深度学习技术尤其是Transformer架构,通过自注意力机制突破了CNN在跨频段特征提取上的局限。Audio Spectrogram Transformer(AST)等先进模型在工业场景中展现出91.2%的高召回率,显著优于传统方案。这种非接触式监测技术结合边缘计算优化,已成功应用于石油化工、电力能源等领域,实现提前72小时预测轴承故障,单项目可避免数百万元的

weixin_30467861的博客 328

C语言字符数组与字符串的使用及加结束符‘\0‘的问题

1、字符数组的定义与初始化 字符数组的初始化,最容易理解的方式就是逐个字符赋给数组中各元素。 char str[10]={ ‘I’,’ ‘,’a’,’m’,’ ‘,‘h’,’a’,’p’,’p’,’y’}; 即把10个字符分别赋给str[0]到str[9]10个元素 如果花括号中提供的字符个数大于数组长度,则按语法错误处理;若小于数组长度,则只将这些字符数组中前面那些元素,其余的元素自动定为

专注自动化、性能测试、测试架构学习交流 5万+

目标检测技术的发展:从R-CNN、YOLO到DETR、DINO

OV-DINO的出现标志着在开放域目标检测领域的重大进步,其在处理未见过的物体类别时的能力得到了显著提升。这项技术对于需要适应未知或变化环境的应用具有重要意义,如自动驾驶、机器人视觉、安防监控等。

DeepAIedu的博客 2633

07群晖Docker部署nousresearch/hermes-agent

群晖Docker部署nousresearch/hermes-agent。

分享技术,传播知识! 1387

c语言中char数组的结束位

因为是半路出家学习cpp的,所以经常会对c语言里面的字符数组感到困惑,这次一次性做个总结。

weixin_44656636的博客 2569

电子纸价签实战:基于SSD1680的墨水屏驱动开发与优化

本文详细介绍了基于SSD1680驱动芯片的电子纸价签开发实战,涵盖硬件连接、驱动框架搭建、核心流程解析及性能优化。重点剖析了初始化配置、波形文件加载、图像数据写入与刷新触发等关键步骤,并提供了功耗优化、显示效果提升及代码健壮性等实用避坑指南,帮助开发者高效实现稳定低功耗的墨水屏驱动。

weixin_28278377的博客 231

为什么字符数组要以\0结尾

一个数组能不能把数组元素大小作为一个元素放在数组的末尾 如果是char类型数组 char string[6]={'h','e',l',l','o',5}; 我觉得是可以的,但是如果这个数组元素比较长,而程序员不小心把有可能就把最后一个元素当作字符来输出了,这时候会影响到程序,所以直接数组大小作为数组最后一个元素这种方式是有隐患的。 ‘\0’这个字符即作为一个字符不经常被用来当作实...

weixin_30387339的博客 4612

LSTM量化选股实战:从数据清洗到回测归因的工程化闭环

LSTM(长短期记忆网络)是一种专为建模长程依赖而设计的循环神经网络,其门控机制能有效应对金融时序数据的非线性、高噪声与动态演化特性。相比传统统计模型或简单RNN,LSTM在股价趋势建模中展现出更强的鲁棒性与泛化能力,尤其适合处理日频多因子时序信号。其技术价值不仅在于提升预测精度,更在于支撑可归因、可审计的量化策略工程实践——从特征构建、标签定义到滚动回测,每一步都需严防未来信息泄露与过拟合风险。典型应用场景包括A股多因子选股、行业轮动信号生成及Alpha组合优化。本文聚焦LSTM在真实量化场景中的落地难点

weixin_33158887的博客 399

Windows 11下WSL2安装CUDA避坑指南:从驱动版本匹配到环境变量配置

本文详细解析了在Windows 11的WSL2中搭建CUDA开发环境的完整流程与核心避坑要点。关键在于理解“驱动在Windows,工具链在Linux”的独特架构,并确保显卡驱动与CUDA Toolkit版本严格匹配。指南涵盖了从驱动验证、WSL-Ubuntu专用仓库安装、环境变量配置到GCC版本冲突、GPU算力不匹配等常见问题的解决方案,帮助开发者高效构建稳定的深度学习与高性能计算环境。

smartcontract5的博客 468

C++中char型的计算与输出

引例:一个ISBN码的格式为:x-xxx-xxxxx-x(x为0-9的数字),输入时严格按照ISBN码的格式进行输入,如果(第一位数字乘1+第二位数字乘2,以此类推第九位数字乘9)%11 = 第十位数字,则控制台输出Right,否则输出正确的ISBN码,例子:0-670-82162-4为正确的码,计算过程为:(0*1+6*2+7*3+0*4+8*5+2*6+1*7+6*8+2*9)%11 == 4,满足条件输出RIGHT 此题思路十分简单,我首先想到的使用int型数组,然后把-的位置空出来,不进行计.

LJH_laura_li的博客 6134

树莓派5首次开机保姆级教程(无显示器通过VNC连接树莓派桌面)

选择 Interface Options > VNC > Yes 启用服务。2.在Windows电脑上安装VNC软件。重启树莓派:sudo reboot。3.使用VNC远程访问树莓派桌面。

qq_34184505的博客 2351

洛谷P5705数字反转—c数组写法

这题因为限定了数据范围,所以如果将数据存入char型数组,数组大小肯定为5,所以很方便,然后反向打印,将轻易解决问题。

2301_79175222的博客 226

从AMCL到SLAM Toolbox:在Nav2中实现高精度纯定位的实践指南

本文详细介绍了从AMCL迁移到SLAM Toolbox纯定位模式的实践指南,帮助开发者在Nav2中实现高精度定位。通过对比AMCL与SLAM Toolbox的性能差异,提供环境配置、参数调优、Nav2集成等关键步骤,显著提升机器人在动态环境中的定位精度和重定位效率。

weixin_29292535的博客 148

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")

字符串指针与char型指针数组

一、字符串指针 字符串是一种特殊的char型数组,指向char类型数组的指针,就是字符串指针。与普通指针一样,字符串指针在使用前也必须定义。字符串与char数组的区别在于长度,字符会自动在尾部加上一个长度‘\0’,而char型数组的长度就是其字符的个数。字符串长度是字符个数+1。例: #include using namespace std; int main() { char s

HAN Kai 1万+

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

关于String底层使用的是char数组还是byte数组以及一点String面试问题

结论是jdk1.8及以前String使用的是char数组,jdk1.9及以后使用的是byte数组。因为开发人员发现人们大多数使用的String还是拉丁字符而之前使用的char数组每一个char占用两个字节而拉丁字符只需要一个字节就可以存储,剩下的一个字节就浪费了,造成gc的更加频繁。因此在jdk9中将String底层的实现改为了byte数组。 在openjdk的开发日志中也是标注了这一改动以及改动的动机。 我们再去jdk中验证一下,先是jdk8 确实底层使用的是char数组。 而到了jdk9时,我们再看

qq_44507430的博客 1万+

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

用char数组存取int型值

【要做什么】 申请一个char类型的数组,要将两个int型变量放进去,并能正确读取出来。

yasi_xi的专栏 1万+

c语言int型变量写入char数组的方法

c语言int型变量写入char数组的方法 #include<stdio.h> int main() { int iMum = 1000000; int iReNum = 0; char cArray[4] = { 0 }; //int数写入char数组 for (int i = 0; i < 4; i++) { cArray[i] = (iMum >&...

cai1493105270的博客 1万+

C语言---关于char型数组和char型指针的问题

今天在学习数据结构中线性表的过程中,碰到了关于char型数组和指针的问题。说实话这也是困扰了我许久的问题。 问题具体描述 如上代码,定义了一个char型数组a后,将其作为形参传入insert()函数,再返回数组a的地址。 编译出错。错误代码如下: 不兼容的参数类型赋值:char*赋值char[8]。 1.由于返回值不可能为一个数组,所以只能通过修改主函数中a的类型:cha

FlyJapan_viba的博客 3756

char*、char**和char***的使用

1、char*的使用 char str[] = "hello"; char* ch = str; printf(" %s",ch); 2、char**的使用 char *str[] = {"hello","world"}; char **ch = str ; printf("%s",ch[0]); 3、char***的使用 char *str[][] = {{"hello","world"},{"nihao","shijie"}}; char ***ch= str; print...

modi000的博客 2万+

int型放入char数组中/string Cstring TCHAR互转大会

三种方法!

Rice__的博客 3111

c++动态数组是如何建立和使用的_如何优雅的使用C语言中的字符串 char型数组与char型指针...

在C语言中有两种使用字符串的方式,用char型指针、用char型数组。那他们有什么区别和联系呢,下面来一起来说说:C语言表示字符串的两种方式,如下:首先,任何常量都将被放置到一个固定的内存区域,叫 .rodata 区,也叫常量区。因此上述代码中的 "abcde" 和 "uvxyz" 都被放置在这里面。其次,s1 和 s2 都是普通变量,都被放置在栈内存中。然后,s1 是一个指针,因此它的尺寸大小永...

weixin_39542477的博客 1279

为什么int型数组,和char类型数组的输出结果不一样

a

weixin_46351306的博客 1738

学习C++之char型数组时的小tips

1.char型数组的字符串在初始化为字符串常量或者后续赋值时 (1) 没有声明数组的元素个数 如 char str[ ] = “优快云”; 此时编译器会自动在字符‘N’后添加一个空字符’\0’以表示结尾 因此数组的长度是5个字节 (2) 声明时确定了元素个数 char str2[8] = “优快云” ; 此时只对前4个char型元素进行了赋值,第五个元素由空值字符 ’\0 自动加到结尾,同时其余3个元素设置为\0,如下表: C S

ShadowP1ng的博客 2231

【程序记录】【装卸臂项目】C++中double类型(包括数组)转化为char型数组,以及Char型数组转化为double型数据

1、double类型转化成char型数组 #include<sstream> double A = 10.111; stringstream ss; char ch[8]; ss << A; ss >> ch; 记住要包含sstream头文件 2、double数组转化成char型数组 double A[3] = { -110.132,42...

Ybox的博客 2311
上一篇: Qt 之 WAV文件属性计算(比特率、文件大小、文件时长)
下一篇: C++ 实现 ping 功能&& 域名(URL)解析实际 IP地址
前行中的小猪
前行中的小猪 领域专家: C/C++技术领域 领域专家: C/C++技术领域
博客等级 码龄10年 4万+粉丝 134原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值