按字节数截取字符串

目录

按字节数截取字符串

编写一个截取字符串的函数，输入为一个字符串和字节数，输出为按字节截取的字符串，但要保证汉子不被截取半个,如“我ABC”，4，应该截取为“我AB”，输入“我ABC汉DEF”，6，应该输出“我ABC”，而不是
“我ABC+汉的半个”。

题目分析

常用的字节数

以下内容从csdn中获得：
http://blog.youkuaiyun.com/yangyan19870319/article/details/6144131

目前很多流行的语言，如C#、Java内部采用的都是 Unicode 16（UCS2）编码，在这种编码中所有的字符都是两个字符，因此，如果要截取的字符串是中、英文、数字混合的，就会产生问题，如下面的字符串：
　

String s = “a加b等于c，如果a等1、b等于2，那么c等3”;

　　上面的字符串既有汉字，又有英文字符和数字。如果要截取前6个字节的字符，应该是”a加b等”，但如果用substring方法截取前6个字符就成了”a 加b等于c”。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。

英文字母和中文汉字在不同的编码格式下，所占用的字节数也是不同的，我们可以通过下面的例子来看看在一些常见的编码格式下，一个英文字母和一个中文汉字分别占用多少字节。

01.import java.io.UnsupportedEncodingException;   
02.  
03.public class EncodeTest {   
04.    /**  
05.     * 打印字符串在指定编码下的字节数和编码名称到控制台  
06.     *   
07.     * @param s  
08.     *            字符串  
09.     * @param encodingName  
10.     *            编码格式  
11.     */  
12.    public static void printByteLength(String s, String encodingName) {   
13.        System.out.print("字节数：");   
14.        try {   
15.            System.out.print(s.getBytes(encodingName).length);   
16.        } catch (UnsupportedEncodingException e) {   
17.            e.printStackTrace();   
18.        }   
19.        System.out.println(";编码：" + encodingName);   
20.    }   
21.  
22.    public static void main(String[] args) {   
23.        String en = "A";   
24.        String ch = "人";   
25.  
26.        // 计算一个英文字母在各种编码下的字节数   
27.        System.out.println("英文字母：" + en);   
28.        EncodeTest.printByteLength(en, "GB2312");   
29.        EncodeTest.printByteLength(en, "GBK");   
30.        EncodeTest.printByteLength(en, "GB18030");   
31.        EncodeTest.printByteLength(en, "ISO-8859-1");   
32.        EncodeTest.printByteLength(en, "UTF-8");   
33.        EncodeTest.printByteLength(en, "UTF-16");   
34.        EncodeTest.printByteLength(en, "UTF-16BE");   
35.        EncodeTest.printByteLength(en, "UTF-16LE");   
36.  
37.        System.out.println();   
38.  
39.        // 计算一个中文汉字在各种编码下的字节数   
40.        System.out.println("中文汉字：" + ch);   
41.        EncodeTest.printByteLength(ch, "GB2312");   
42.        EncodeTest.printByteLength(ch, "GBK");   
43.        EncodeTest.printByteLength(ch, "GB18030");   
44.        EncodeTest.printByteLength(ch, "ISO-8859-1");   
45.        EncodeTest.printByteLength(ch, "UTF-8");   
46.        EncodeTest.printByteLength(ch, "UTF-16");   
47.        EncodeTest.printByteLength(ch, "UTF-16BE");   
48.        EncodeTest.printByteLength(ch, "UTF-16LE");   
49.    }   
50.}  

运行结果如下：

1.英文字母：A
2.字节数：1;编码：GB2312
3.字节数：1;编码：GBK
4.字节数：1;编码：GB18030
5.字节数：1;编码：ISO-8859-1
6.字节数：1;编码：UTF-8
7.字节数：4;编码：UTF-16
8.字节数：2;编码：UTF-16BE
9.字节数：2;编码：UTF-16LE
10.中文汉字：人
11.字节数：2;编码：GB2312
12.字节数：2;编码：GBK
13.字节数：2;编码：GB18030
14.字节数：1;编码：ISO-8859-1
15.字节数：3;编码：UTF-8
16.字节数：4;编码：UTF-16
17.字节数：2;编码：UTF-16BE
18.字节数：2;编码：UTF-16LE

UTF-16BE和UTF-16LE是UNICODE编码家族的两个成员。UNICODE标准定义了UTF-8、UTF-16、UTF-32三种编码格式，共有UTF-8、UTF-16、UTF-16BE、UTF-16LE、UTF-32、UTF-32BE、UTF-32LE七种编码方案。JAVA所采用的编码方案是UTF-16BE。从上例的运行结果中我们可以看出，GB2312、GBK、GB18030三种编码格式都可以满足题目的要求。下面我们就以GBK编码为例来进行解答。

我们不能直接使用String类的substring(int beginIndex, int endIndex)方法，因为它是按字符截取的。’我’和’Z’都被作为一个字符来看待，length都是1。实际上我们只要能区分开中文汉字和英文字母，这个问题就迎刃而解了，而它们的区别就是，中文汉字是两个字节，英文字母是一个字节。

---

java中如何来判别一个汉字

我们采用对汉字的Unicode编码来实现对汉字的，java用的是Unicode 编码char 型变量的范围是0-65535 无符号的值，可以表示 65536个字符，
而汉字的正则表达式:

汉字正则表达式(简体)：^[\u4E00-\u9FA5]+$

利用汉字的正则表达式，我们给出判断汉字的一种方法，代码如下

    /**
     * 判断是否为汉字
     * @param s
     * @return
     */
    public boolean isHanZi(String s)
    {
        //汉字的正则表达式
        String regEx = "[\\u4e00-\\u9fa5]";
        Pattern p = Pattern.compile(regEx);
        Matcher m = p.matcher(s);

        if(m.find())
            return true;
        return false;
    }

而通常判断一个字符串中是否包含汉字，我们可以比较字符串的长度和字节的长度，代码如下：

s.getBytes().length == s.length())

代码

给出代码如下所示：

import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class CutString 
{
    /**
     * 
     * @param s      字符串
     * @param byteNum  字节数
     * @return  截断字节后的字符串
     */
    public String cutString(String s,int byteNum)
    {
        if(s.getBytes().length <= byteNum)
            return s;
        StringBuilder sb = new StringBuilder();
        int begin = 0;
        while(byteNum > 1 )
        {
            String temp = s.substring(begin, begin + 1);
            if(isHanZi(temp))
            {
                byteNum -= 2;
                sb.append(temp);
            }
            else
            {
                byteNum -= 1;
                sb.append(temp);
            }
            begin++;

        }

        //判断byteNum是否为1
        if(byteNum == 1)
        {
            String temp = s.substring(begin, begin + 1);
            if(!isHanZi(temp))
            {
                sb.append(temp);
            }
        }
        return sb.toString();
    }

    /**
     * 判断是否为汉字
     * @param s
     * @return
     */
    public boolean isHanZi(String s)
    {
        //汉字的正则表达式
        String regEx = "[\\u4e00-\\u9fa5]";
        Pattern p = Pattern.compile(regEx);
        Matcher m = p.matcher(s);

        if(m.find())
            return true;
        return false;
    }

    public static void main(String[] args)
    {
        String s="我ABC汉DEF";
        CutString cs = new CutString();
        String tem = cs.cutString(s,6);
        System.out.println(tem);

    }
}

---