java按字节截取字符串

java面试题：

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。但是要保证汉字不被截半个，如"我ABC"4，应该截为"我AB"，输入"我ABC汉DEF"，6，应该输出为"我ABC"而不是"我ABC+汉的半个"。

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。

Java代码

1. import java.io.UnsupportedEncodingException;   
2.   
3. public class EncodeTest {   
4.     /**  
5.      * 打印字符串在指定编码下的字节数和编码名称到控制台  
6.      *   
7.      * @param s  
8.      *            字符串  
9.      * @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。

以下是转载自http://www.javaeye.com/topic/216577的代码

import java.io.UnsupportedEncodingException;       public class CutString {           /**        * 判断是否是一个中文汉字        *         * @param c        *            字符        * @return true表示是中文汉字，false表示是英文字母        * @throws UnsupportedEncodingException        *             使用了JAVA不支持的编码格式        */       public static boolean isChineseChar(char c)                throws UnsupportedEncodingException {            // 如果字节数大于1，是汉字            // 以这种方式区别英文字母和中文汉字并不是十分严谨，但在这个题目中，这样判断已经足够了            return String.valueOf(c).getBytes("GBK").length > 1;        }           /**        * 按字节截取字符串        *         * @param orignal        *            原始字符串        * @param count        *            截取位数        * @return 截取后的字符串        * @throws UnsupportedEncodingException        *             使用了JAVA不支持的编码格式        */       public static String substring(String orignal, int count)                throws UnsupportedEncodingException {            // 原始字符不为null，也不是空字符串            if (orignal != null && !"".equals(orignal)) {                // 将原始字符串转换为GBK编码格式                orignal = new String(orignal.getBytes(), "GBK");                // 要截取的字节数大于0，且小于原始字符串的字节数                if (count > 0 && count < orignal.getBytes("GBK").length) {                    StringBuffer buff = new StringBuffer();                    char c;                    for (int i = 0; i < count; i++) {                        c = orignal.charAt(i);                        buff.append(c);                        if (CutString.isChineseChar(c)) {                            // 遇到中文汉字，截取字节总数减1                            --count;                        }                    }                    return buff.toString();                }            }            return orignal;        }           public static void main(String[] args) {            // 原始字符串            String s = "我ZWR爱JAVA";            System.out.println("原始字符串：" + s);            try {                System.out.println("截取前1位：" + CutString.substring(s, 1));                System.out.println("截取前2位：" + CutString.substring(s, 2));                System.out.println("截取前4位：" + CutString.substring(s, 4));                System.out.println("截取前6位：" + CutString.substring(s, 6));            } catch (UnsupportedEncodingException e) {                e.printStackTrace();            }        }    }   运行结果： 原始字符串：我ZWR爱JAVA 截取前1位：我 截取前2位：我 截取前4位：我ZW 截取前6位：我ZWR爱

不知道是平台原因还是什么，我运行以上程序得不到正确结果：

 

下面是我修改后的代码，在我的机器上能正确运行：

import java.io.UnsupportedEncodingException; public class CutString {  /**       * 判断是否是一个中文汉字       *        * @param c       *            字符       * @return true表示是中文汉字，false表示是英文字母       * @throws UnsupportedEncodingException       *             使用了JAVA不支持的编码格式       */      public static boolean isChineseChar(char c)               throws UnsupportedEncodingException {           // 如果字节数大于1，是汉字           // 以这种方式区别英文字母和中文汉字并不是十分严谨，但在这个题目中，这样判断已经足够了           return String.valueOf(c).getBytes("GBK").length > 1;       }         /**       * 按字节截取字符串       *        * @param orignal       *            原始字符串       * @param count       *            截取位数       * @return 截取后的字符串       * @throws UnsupportedEncodingException       *             使用了JAVA不支持的编码格式       */      public static String substring(String orignal, int count)               throws UnsupportedEncodingException {           // 原始字符不为null，也不是空字符串           if (orignal != null && !"".equals(orignal)) {               // 将原始字符串转换为GBK编码格式               //orignal = new String(orignal.getBytes(), "GBK");//            // System.out.println(orignal);           //  System.out.println(new String(orignal.getBytes("GBK"),"UTF-8"));             // 要截取的字节数大于0，且小于原始字符串的字节数               if (count > 0 && count < orignal.getBytes("GBK").length) {                   StringBuffer buff = new StringBuffer();                   char c;                   for (int i = 0; i < count; i++) {                       c = orignal.charAt(i);                       buff.append(c);                       if (CutString.isChineseChar(c)) {                           // 遇到中文汉字，截取字节总数减1                           --count;                       }                   }               //   System.out.println(new String(buff.toString().getBytes("GBK"),"UTF-8"));                 return new String(buff.toString().getBytes(),"UTF-8");               }           }           return orignal;       }         public static void main(String[] args) {           // 原始字符串           String s = "我ZWR爱JAVA";           System.out.println("原始字符串：" + s);           try {               System.out.println("截取前1位：" + CutString.substring(s, 1));               System.out.println("截取前2位：" + CutString.substring(s, 2));               System.out.println("截取前4位：" + CutString.substring(s, 4));               System.out.println("截取前6位：" + CutString.substring(s, 6));           } catch (UnsupportedEncodingException e) {               e.printStackTrace();           }       }   }

运行结果结果同上。但还有一个疑问，按照题目按照字节截取字符串，取一个字节的时候应为空，这里是我，所以这个程序还有待 改进。

 

 

 

下面这篇文字也有利于大家理解：

Sunshine 的 String.getBytes()和new String()

在Java中，String.getBytes(String decode)方法会根据指定的decode编码返回某字符串在该编码下的byte数组表示，如

byte[] b_gbk = "中".getBytes("GBK");
byte[] b_utf8 = "中".getBytes("UTF-8");
byte[] b_iso88591 = "中".getBytes("ISO8859-1");

byte[] b_unicode = "中".getBytes("unicode");

将分别返回“中”这个汉字在GBK、UTF-8和ISO8859-1编码下的byte数组表示，此时b_gbk的长度为2，b_utf8的长度为3，b_iso88591的长度为1,b_unicode 的长度为4（系统的的unicode采用的是big-endian就是前面是两个字节来表示这个的，unicode采用的都是两个字节编码，所以后面是4个字节 ）。

而与getBytes相对的，可以通过new String(byte[], decode)的方式来还原这个“中”字时，这个new String(byte[], decode)实际是使用decode指定的编码来将byte[]解析成字符串。

String s_gbk = new String(b_gbk,"GBK");
String s_utf8 = new String(b_utf8,"UTF-8");
String s_iso88591 = new String(b_iso88591,"ISO8859-1");

通过打印s_gbk、s_utf8和s_iso88591，会发现，s_gbk和s_utf8都是“中”，而只有s_iso88591是一个不认识的字符，为什么使用ISO8859-1编码再组合之后，无法还原“中”字呢，其实原因很简单，因为ISO8859-1编码的编码表中，根本就没有包含汉字字符，当然也就无法通过"中".getBytes("ISO8859-1");来得到正确的“中”字在ISO8859-1中的编码值了，所以再通过new String()来还原就无从谈起了。

因此，通过String.getBytes(String decode)方法来得到byte[]时，一定要确定decode的编码表中确实存在String表示的码值，这样得到的byte[]数组才能正确被还原。

有时候，为了让中文字符适应某些特殊要求（如http header头要求其内容必须为iso8859-1编码），可能会通过将中文字符按照字节方式来编码的情况，如

String s_iso88591 = new String("中".getBytes("UTF-8"),"ISO8859-1")，这样得到的s_iso8859-1字符串实际是三个在ISO8859-1中的字符，在将这些字符传递到目的地后，目的地程序再通过相反的方式String s_utf8 = new String(s_iso88591.getBytes("ISO8859-1"),"UTF-8")来得到正确的中文汉字“中”。这样就既保证了遵守协议规定、也支持中文。