截取中英文混合字符串

http://blog.zjol.com.cn/?uid-313676-action-viewspace-itemid-2032637

题目：

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”。

GB2312、GBK、GB18030，CP936以及CNS11643都满足条件 -- 中文是占用2个字节的，英文是占用1一个字节 。

中文编码资料：

中文字符编码简介

http://www.cftea.com/c/2008/03/140B5A561NFN51DS.asp

中文编码基础知识介绍
http://www.eygle.com/digest/2007/01/zhs16gbk_char.html

JAVA 编码

import java.io.UnsupportedEncodingException;

/**
 * 题目： 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”。
 *
 * 解决方法： 中文是占用2个字节的，英文是占用1一个字节， 所以先确定一种编码满足此条件。
 * GB2312、GBK、GB18030，CP936以及CNS11643都满足条件。
 *
 * @author Eric
 * @version 1.0
 *
 */
public class CharactersSplit {

 /**
  *
  * @param text 目标字符串
  * @param length 截取长度
  * @param encode 采用的编码方式
  * @return
  * @throws UnsupportedEncodingException
  */
 public String substring(String text, int length, String encode)
   throws UnsupportedEncodingException {
  if (text == null) {
   return null;
  }
  StringBuilder sb = new StringBuilder();
  int currentLength = 0;
  for (char c : text.toCharArray()) {
   currentLength += String.valueOf(c).getBytes(encode).length;
   if (currentLength <= length) {
    sb.append(c);
   } else {
    break;
   }
  }
  return sb.toString();

 }

 public void test() throws Exception {
  String text = "我ABC汉DEF";
  int length1 = 3;
  int length2 = 6;
  String[] encodes = new String[] { "GB2312", "GBK", "GB18030", "CP936",
    "CNS11643" };
  for (String encode : encodes) {
   System.out.println(new StringBuilder().append("用").append(encode)
     .append("编码截取字符串 -- 【").append(text).append("】").append(
       length1).append("个字节的结果是【").append(
       substring(text, length1, encode)).append("】")
     .toString());
   System.out.println(new StringBuilder().append("用").append(encode)
     .append("编码截取字符串 -- 【").append(text).append("】").append(
       length2).append("个字节的结果是【").append(
       substring(text, length2, encode)).append("】")
     .toString());

  }
 }

 public static void main(String[] args) throws Exception {
  new CharactersSplit().test();
 }

}

测试结果：

用GB2312编码截取字符串 -- 【我ABC汉DEF】3个字节的结果是【我A】
用GB2312编码截取字符串 -- 【我ABC汉DEF】6个字节的结果是【我ABC】

用GBK编码截取字符串 -- 【我ABC汉DEF】3个字节的结果是【我A】
用GBK编码截取字符串 -- 【我ABC汉DEF】6个字节的结果是【我ABC】

用GB18030编码截取字符串 -- 【我ABC汉DEF】3个字节的结果是【我A】
用GB18030编码截取字符串 -- 【我ABC汉DEF】6个字节的结果是【我ABC】

用CP936编码截取字符串 -- 【我ABC汉DEF】3个字节的结果是【我A】
用CP936编码截取字符串 -- 【我ABC汉DEF】6个字节的结果是【我ABC】

用CNS11643编码截取字符串 -- 【我ABC汉DEF】3个字节的结果是【我A】
用CNS11643编码截取字符串 -- 【我ABC汉DEF】6个字节的结果是【我ABC】

getBytes()透析

本文来自CSDN博客，转载请标明出处：http://blog.csdn.net/maxracer/archive/2010/12/14/6075057.aspx

在Java中,String的getBytes()方法是得到一个操作系统默认的编码格式的字节数组。这表示在不同的操作系统下,返回的东西不一样!

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");
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。

而与getBytes相对的,可以通过new String(byte[], decode)的方式来还原这个"中"字,

这个new String(byte[], decode)实际是使用指定的编码decode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");
通过输出s_gbk、s_utf8和s_iso88591,会发现s_gbk和s_utf8都是"中",而只有s_iso88591是一个不被识别的字符（可以理解为乱码）,为什么使用ISO8859-1编码再组合之后,无法还原"中"字？原因很简单,因为ISO8859-1编码的编码表根本就不包含汉字字符,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()来还原就更是无从谈起。
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。

注意：

有时候,为了让中文字符适应某些特殊要求(如http header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。

在jsp文件中的一点声明：

<%!

private boolean isUseless(String instr){

       return (null==instr||"".equals(instr)||"null".equalsIgnoreCase(instr));

}//返回instr与null（"","null"）等值比较之后的结果，是true或者false（true）。

private String turnCoding(String instr) throws Exception{

     if(!isUseless(instr)){ //如果不是true（意即不为空），那么

        return new String (instr.getBytes("ISO-8859-1"),"GB2312");

     }

     else {

        return "";

     }

}

%>