python截取中文字符串

python的中文處理還是比較麻煩的，utf-8的字符串的長度是1-6個字符，一不小心就會從中截斷，出現所謂的亂碼。下面這個函數提供了，從一段utf-8編碼的字符串中，截取固定長度的字串。ord(char)將字符轉換稱整數，根據utf-8的編碼規則，確定每個utf-8的字占用幾個字符，從而避免截斷的情況。
參數：
  string  ：utf-8字符串，如果是別的字符編碼，請先轉換成utf-8（推薦所有字符串和文件都用utf-8格式的）
  length ：字符數（注意不是中文字的個數）

題外話：
python的字符編碼，有幾個函數unicode(str,'charset'),str.decode('charset'),str.encode('charset')。
舉個例子，你要將gb2312轉為gbk，如下
str = unicode(str,'gb2312') #轉為unicode
str.encode('gbk')                #轉為gbk

實際上，linux系統中，你可以使用iconv -f gb2312 -t gbk sourcefile > targetfile來進行轉換。

 

def subString(string,length):
    if length >= len(string):
    return string
    result = ''
    i = 0
    p = 0
    while True:
    ch = ord(string[i])
    #1111110x
    if ch >= 252:
        p = p + 6
    #111110xx
    elif ch >= 248:
        p = p + 5
    #11110xxx
    elif ch >= 240:
        p = p + 4
    #1110xxxx
    elif ch >= 224:
        p = p + 3
    #110xxxxx
    elif ch >= 192:
        p = p + 2
    else:
        p = p + 1

    if p >= length:
        break;
    else:
        i = p
    return string[0:i]

 

 

 

后記：

后來，我發現一種更為簡單的方法

str = '中國人'

str.decode（'utf-8')[0:1].encode('utf-8')

先轉換成unicode，再取子串，然后轉換成utf-8