C#、Java实现按字节截取字符串包含中文汉字和英文字符数字标点符号等

C#、Java实现按字节截取字符串，字符串中包含中文汉字和英文字符数字标点符号等。

在实际项目应用过程中，尤其是在web开发时可能遇到的比较多，就以我的（JiYF笨小孩管理系统）为例，再发布文章时候，文章摘要如果用户没有填写，默认截取文章前面255个字节，这个时候里面难免包含中文汉字，英文字母，标点符号等等有可能就会遇到截取出半个汉字的情况。

以Unicode 16（UCS2）编码为例，每一个字符占用俩个字节

 

假如字符串s：

String s = "潮哥shuo丑安ni去哪？"; 

上面的s字符串既有汉字，又有英文字符和数字

举例：

如果要截取前6个字节的字符，应该是”潮哥sh"，但如果用substring方法截取前6个字符就成了"潮哥shuo"。

如果截取9个字节，应该是“潮哥shuo” 丑的半个汉字就去掉了，但如果用substring方法截取前9个字符就成了"潮哥shuo丑安n"。

产生这个问题的原因是将substring方法将双字节的汉字当成一个字节的字符（UCS2字符）处理了。 要解决这个问题的方法是首先得到该字符串的UCS2编码的字节数组，如下面的代码如下：

C#代码示例：

 1 private static string cutSubstring(string str, int length)
 2         {
 3             if (str == null || str.Length == 0 || length < 0)
 4             { 
 5                 return ""; 
 6             }
 7 
 8             byte[] bytes = System.Text.Encoding.Unicode.GetBytes(str);
 9             int n = 0;  //  表示当前的字节数
10             int i = 0;  //  要截取的字节数
11             for (; i < bytes.GetLength(0) && n < length; i++)
12             {
13                 //  偶数位置，如0、2、4等，为UCS2编码中两个字节的第一个字节
14                 if (i % 2 == 0)
15                 {
16                     n++;      //  在UCS2第一个字节时n加1
17                 }
18                 else
19                 {
20                     //  当UCS2编码的第二个字节大于0时，该UCS2字符为汉字，一个汉字算两个字节
21                     if (bytes[i] > 0)
22                     {
23                         n++;
24                     }
25                 }
26             }
27             //  如果i为奇数时，处理成偶数
28             if (i % 2 == 1)
29             {
30                 //  该UCS2字符是汉字时，去掉这个截一半的汉字
31                 if (bytes[i] > 0)
32                     i = i - 1;
33                 //  该UCS2字符是字母或数字，则保留该字符
34                 else
35                     i = i + 1;
36             }
37             return System.Text.Encoding.Unicode.GetString(bytes, 0, i);
38         }

分析：

测试结果：

调用

cutSubstring("潮哥shuo丑安ni去哪?",6);------>运行结果：“潮哥sh”

cutSubstring("潮哥shuo丑安ni去哪?",9);------>运行结果：“潮哥shuo”

Java代码示例:

（细心的童鞋会发现i值不同，java是从2开始C#从0开始，这里注意，java转换为字节数组，前俩个字节是标志位，所以第0位和第1位是标志位，从2开始）

 1 public static String bSubstring(String s, int length) throws Exception
 2     {
 3 
 4         byte[] bytes = s.getBytes("Unicode");
 5         int n = 0; // 表示当前的字节数
 6         int i = 2; // 要截取的字节数，从第3个字节开始
 7         for (; i < bytes.length && n < length; i++)
 8         {
 9             // 奇数位置，如3、5、7等，为UCS2编码中两个字节的第二个字节
10             if (i % 2 == 1)
11             {
12                 n++; // 在UCS2第二个字节时n加1
13             }
14             else
15             {
16                 // 当UCS2编码的第一个字节不等于0时，该UCS2字符为汉字，一个汉字算两个字节
17                 if (bytes[i] != 0)
18                 {
19                     n++;
20                 }
21             }
22         }
23         // 如果i为奇数时，处理成偶数
24         if (i % 2 == 1)
25 
26         {
27             // 该UCS2字符是汉字时，去掉这个截一半的汉字
28             if (bytes[i - 1] != 0)
29                 i = i - 1;
30             // 该UCS2字符是字母或数字，则保留该字符
31             else
32                 i = i + 1;
33         }
34 
35         return new String(bytes, 0, i, "Unicode");
36     }

测试结果：

调用

cutSubstring("潮哥shuo丑安ni去哪?",6);------>运行结果：“潮哥sh”

cutSubstring("潮哥shuo丑安ni去哪?",9);------>运行结果：“潮哥shuo”

转载于:https://www.cnblogs.com/JiYF/p/6543779.html