C#、Java實現按字節截取字符串包含中文漢字和英文字符數字標點符號等

C#、Java實現按字節截取字符串，字符串中包含中文漢字和英文字符數字標點符號等。

在實際項目應用過程中，尤其是在web開發時可能遇到的比較多，就以我的（JiYF笨小孩管理系統）為例，再發布文章時候，文章摘要如果用戶沒有填寫，默認截取文章前面255個字節，這個時候里面難免包含中文漢字，英文字母，標點符號等等有可能就會遇到截取出半個漢字的情況。

以Unicode 16（UCS2）編碼為例，每一個字符占用倆個字節

 

假如字符串s：

String s = "潮哥shuo丑安ni去哪？"; 

上面的s字符串既有漢字，又有英文字符和數字

舉例：

如果要截取前6個字節的字符，應該是”潮哥sh"，但如果用substring方法截取前6個字符就成了"潮哥shuo"。

如果截取9個字節，應該是“潮哥shuo” 丑的半個漢字就去掉了，但如果用substring方法截取前9個字符就成了"潮哥shuo丑安n"。

產生這個問題的原因是將substring方法將雙字節的漢字當成一個字節的字符（UCS2字符）處理了。 要解決這個問題的方法是首先得到該字符串的UCS2編碼的字節數組，如下面的代碼如下：

C#代碼示例：

private static string cutSubstring(string str, int length)
        {
            if (str == null || str.Length == 0 || length < 0)
            { 
                return ""; 
            }

            byte[] bytes = System.Text.Encoding.Unicode.GetBytes(str);
            int n = 0;  //  表示當前的字節數
            int i = 0;  //  要截取的字節數
            for (; i < bytes.GetLength(0) && n < length; i++)
            {
                //  偶數位置，如0、2、4等，為UCS2編碼中兩個字節的第一個字節
                if (i % 2 == 0)
                {
                    n++;      //  在UCS2第一個字節時n加1
                }
                else
                {
                    //  當UCS2編碼的第二個字節大於0時，該UCS2字符為漢字，一個漢字算兩個字節
                    if (bytes[i] > 0)
                    {
                        n++;
                    }
                }
            }
            //  如果i為奇數時，處理成偶數
            if (i % 2 == 1)
            {
                //  該UCS2字符是漢字時，去掉這個截一半的漢字
                if (bytes[i] > 0)
                    i = i - 1;
                //  該UCS2字符是字母或數字，則保留該字符
                else
                    i = i + 1;
            }
            return System.Text.Encoding.Unicode.GetString(bytes, 0, i);
        }

分析：

測試結果：

調用

cutSubstring("潮哥shuo丑安ni去哪?",6);------>運行結果：“潮哥sh”

cutSubstring("潮哥shuo丑安ni去哪?",9);------>運行結果：“潮哥shuo”

Java代碼示例:

（細心的童鞋會發現i值不同，java是從2開始C#從0開始，這里注意，java轉換為字節數組，前倆個字節是標志位，所以第0位和第1位是標志位，從2開始）

public static String bSubstring(String s, int length) throws Exception
    {

        byte[] bytes = s.getBytes("Unicode");
        int n = 0; // 表示當前的字節數
        int i = 2; // 要截取的字節數，從第3個字節開始
        for (; i < bytes.length && n < length; i++)
        {
            // 奇數位置，如3、5、7等，為UCS2編碼中兩個字節的第二個字節
            if (i % 2 == 1)
            {
                n++; // 在UCS2第二個字節時n加1
            }
            else
            {
                // 當UCS2編碼的第一個字節不等於0時，該UCS2字符為漢字，一個漢字算兩個字節
                if (bytes[i] != 0)
                {
                    n++;
                }
            }
        }
        // 如果i為奇數時，處理成偶數
        if (i % 2 == 1)

        {
            // 該UCS2字符是漢字時，去掉這個截一半的漢字
            if (bytes[i - 1] != 0)
                i = i - 1;
            // 該UCS2字符是字母或數字，則保留該字符
            else
                i = i + 1;
        }

        return new String(bytes, 0, i, "Unicode");
    }

測試結果：

調用

cutSubstring("潮哥shuo丑安ni去哪?",6);------>運行結果：“潮哥sh”

cutSubstring("潮哥shuo丑安ni去哪?",9);------>運行結果：“潮哥shuo”