python 中文字符串截取_python截取中文字符串 | 學步園

python的中文處理還是比較麻煩的，utf-8的字符串的長度是1-6個字符，一不小心就會從中截斷，出現所謂的亂碼。下面這個函數提供了，從一段utf-8編碼的字符串中，截取固定長度的字串。ord(char)將字符轉換稱整數，根據utf-8的編碼規則，確定每個utf-8的字佔用幾個字符，從而避免截斷的情況。

參數：

string  ：utf-8字符串，如果是別的字符編碼，請先轉換成utf-8(推薦所有字符串和文件都用utf-8格式的)

length ：字符數(注意不是中文字的個數)

題外話：

python的字符編碼，有幾個函數unicode(str,'charset'),str.decode('charset'),str.encode('charset')。

舉個例子，你要將gb2312轉為gbk，如下

str = unicode(str,'gb2312') #轉為unicode

str.encode('gbk')                #轉為gbk

實際上，linux系統中，你可以使用iconv -f gb2312 -t gbk sourcefile > targetfile來進行轉換。

def subString(string,length):

if length >= len(string):

return string

result = ''

i = 0

p = 0

while True:

ch = ord(string[i])

#1111110x

if ch >= 252:

p = p + 6

#111110xx

elif ch >= 248:

p = p + 5

#11110xxx

elif ch >= 240:

p = p + 4

#1110xxxx

elif ch >= 224:

p = p + 3

#110xxxxx

elif ch >= 192:

p = p + 2

else:

p = p + 1

if p >= length:

break;

else:

i = p

return string[0:i]

後記：

後來，我發現一種更為簡單的方法

str = '中國人'

str.decode('utf-8')[0:1].encode('utf-8')

先轉換成unicode，再取子串，然後轉換成utf-8