Lua中含中文字符串长度计算

转自：http://m.blog.csdn.net/DanceWithCode1990/article/details/51154681

在项目中遇到了需要在Lua中计算含中文的字符串的字符串长度。

当时想当然的就用了string.len(“确定”) 发现输出时竟然是6！后来才知道 ，由于文件编码格式是UTF-8，所以一个中文是3个字节！所以这也不难解释为何“确定”的长度是6了。 至于UTF-8的前世今生，以及具体格式，网上有很多不错的讲解，以下是一位同行的形象讲解。

“先从字符编码讲起。
1、美国人首先对其英文字符进行了编码，也就是最早的ascii码，用一个字节的低7位来表示英文的128个字符，高1位统一为0；

2、后来欧洲人发现尼玛你这128位哪够用，比如我高贵的法国人字母上面的还有注音符，这个怎么区分，得，把高1位编进来吧，这样欧洲普遍使用一个全字节进行编码，最多可表示256位。欧美人就是喜欢直来直去，字符少，编码用得位数少；

3、但是即使位数少，不同国家地区用不同的字符编码，虽然0–127表示的符号是一样的，但是128–255这一段的解释完全乱套了，即使2进制完全一样，表示的字符完全不一样，比如135在法语，希伯来语，俄语编码中完全是不同的符号；

4、更麻烦的是，尼玛这电脑高科技传到中国后，中国人发现我们有10万多个汉字，你们欧美这256字塞牙缝都不够。于是就发明了GB2312这些汉字编码，典型的用2个字节来表示绝大部分的常用汉字，最多可以表示65536个汉字字符，这样就不难理解有些汉字你在新华字典里查得到，但是电脑上如果不处理一下你是显示不出来的了吧。

5、这下各用各的字符集编码，这世界咋统一？俄国人发封email给中国人，两边字符集编码不同，尼玛显示都是乱码啊。为了统一，于是就发明了unicode，将世界上所有的符号都纳入其中，每一个符号都给予一个独一无二的编码，现在unicode可以容纳100多万个符号，每个符号的编码都不一样，这下可统一了，所有语言都可以互通，一个网页页面里可以同时显示各国文字。

6、然而，unicode虽然统一了全世界字符的二进制编码，但没有规定如何存储啊，亲。x86和amd体系结构的电脑小端序和大端序都分不清，别提计算机如何识别到底是unicode还是acsii了。如果Unicode统一规定，每个符号用三个或四个字节表示，那么每个英文字母前都必然有二到三个字节是0，文本文件的大小会因此大出二三倍，这对于存储来说是极大的浪费。这样导致一个后果：出现了Unicode的多种存储方式。

7、互联网的兴起，网页上要显示各种字符，必须统一啊，亲。utf-8就是Unicode最重要的实现方式之一。另外还有utf-16、utf-32等。UTF-8不是固定字长编码的，而是一种变长的编码方式。它可以使用1~4个字节表示一个符号，根据不同的符号而变化字节长度。这是种比较巧妙的设计，如果一个字节的第一位是0，则这个字节单独就是一个字符；如果第一位是1，则连续有多少个1，就表示当前字符占用多少个字节。

8、注意unicode的字符编码和utf-8的存储编码表示是不同的，例如”严”字的Unicode码是4E25，UTF-8编码是E4B8A5，这个7里面解释了的，UTF-8编码不仅考虑了编码，还考虑了存储，E4B8A5是在存储识别编码的基础上塞进了4E25。

9、UTF-8 使用一至四个字节为每个字符编码。128 个 ASCII 字符（Unicode 范围由 U+0000 至 U+007F）只需一个字节，带有变音符号的拉丁文、希腊文、西里尔字母、亚美尼亚语、希伯来文、阿拉伯文、叙利亚文及马尔代夫语（Unicode 范围由 U+0080 至 U+07FF）需要二个字节，其他基本多文种平面（BMP）中的字符（CJK属于此类-Qieqie注）使用三个字节，其他 Unicode 辅助平面的字符使用四字节编码。

10、最后，要回答你的问题，常规来看，中文汉字在utf-8中到底占几个字节，一般是3个字节，最常见的编码方式是1110xxxx 10xxxxxx 10xxxxxx”

这是他文章的具体地址:http://zhidao.baidu.com/link?url=ksgkUMF2YY_G8-egH_YdAQc2ialbbn__LwuTJMDgl-WkRJNXVkLkc2uYH2zSiUGjJw5aLHdXnTEUfexExPJqlydoCRc2i6NSOaoqdPNK1Au

由此可见，这个字符是否问中文是可以判断的，因为如果是汉字 那么这个字符的第一个字节的高三位（即1110xxxx中的111）一定是111，第四位是0，所以这个字节换算成数字的话最小值是224（11100000）最大值是238（11101111），所以如果我们读到一个字节，他的数值介于224与238之间，那么我们就可以判定，这个字节以及其后的两个字节，共三个字节组成一个汉字。
这样我们就可以以此为基础写一个计算字符长度的函数：

function string.widthSingle(inputstr)
    -- 计算字符串宽度
    -- 可以计算出字符宽度，用于显示使用
   local lenInByte = #inputstr
   local width = 0
   local i = 1
   while (i<=lenInByte) 
    do
        local curByte = string.byte(inputstr, i)
        local byteCount = 1;
        if curByte>0 and curByte<=127 then
            byteCount = 1                                           --1字节字符
        elseif curByte>=192 and curByte<223 then
            byteCount = 2                                           --双字节字符
        elseif curByte>=224 and curByte<239 then
            byteCount = 3                                           --汉字
        elseif curByte>=240 and curByte<=247 then
            byteCount = 4                                           --4字节字符
        end

        local char = string.sub(inputstr, i, i+byteCount-1)
        print(char)                                                         

        i = i + byteCount                                 -- 重置下一字节的索引
        width = width + 1                                 -- 字符的个数（长度）
    end
    return width
end

在学习时，我搜到了别的同学提供的方法 ，但这个方法似乎有错误：
以下摘自：http://www.cocoachina.com/bbs/read.php?tid=221995

localstr = "Jimmy: 你好,世界!"
localfontSize = 20
locallenInByte = #str
localwidth = 0

fori=1,lenInByte do
    localcurByte = string.byte(str, i)
    localbyteCount = 1;
    ifcurByte>0 andcurByte<=127 then
        byteCount = 1
    elseifcurByte>=192 andcurByte<223 then
        byteCount = 2
    elseifcurByte>=224 andcurByte<239 then
        byteCount = 3
    elseifcurByte>=240 andcurByte<=247 then
        byteCount = 4
    end

    localchar = string.sub(str, i, i+byteCount-1)
    i = i + byteCount -1    
    ifbyteCount == 1 then
        width = width + fontSize * 0.5
    else
        width = width + fontSize
        print(char)
    end
end

print("总宽度: "..width)

这里面有几个问题
1.lua中for循环中的i每次都是自增的文中的i = i + byteCount -1 并没有改变i的值
2.下一字节的索引错误了i
= i + byteCount -1 应该为i = i + byteCount