按字节截取含有中文汉字的字符串

要求实现一个按字节截取字符串的方法，比如对于字符串"我ZWR 爱 JAVA"，截取它的前四位字节应该是"我 ZW"，而不是"我ZWR"，同时要保证不会出现截取了半个汉字的情况。

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

import java.io.UnsupportedEncodingException; public class EncodeTest { /** *                        打印字符串在指定编码下的字节数和编码名称到控制台  * *                        @param s *                        字符串 *                        @param encodingName *                        编码格式  */ public static void printByteLength(String s, String encodingName) { System.out.print("字节数：");

 

try { System.out.print(s.getBytes(encodingName).length); } catch (UnsupportedEncodingException e) { e.printStackTrace(); } System.out.println(";编码：" + encodingName); } public static void main(String[] args) { String en = "A"; String ch = "人"; // 计算一个英文字母在各种编码下的字节数 System.out.println("英文字母：" + en); EncodeTest.printByteLength(en, "GB2312"); EncodeTest.printByteLength(en, "GBK"); EncodeTest.printByteLength(en, "GB18030"); EncodeTest.printByteLength(en, "ISO-8859-1"); EncodeTest.printByteLength(en, "UTF-8"); EncodeTest.printByteLength(en, "UTF-16"); EncodeTest.printByteLength(en, "UTF-16BE"); EncodeTest.printByteLength(en, "UTF-16LE"); System.out.println(); // 计算一个中文汉字在各种编码下的字节数 System.out.println("中文汉字：" + ch); EncodeTest.printByteLength(ch, "GB2312"); EncodeTest.printByteLength(ch, "GBK"); EncodeTest.printByteLength(ch, "GB18030"); EncodeTest.printByteLength(ch, "ISO-8859-1"); EncodeTest.printByteLength(ch, "UTF-8"); EncodeTest.printByteLength(ch, "UTF-16"); EncodeTest.printByteLength(ch, "UTF-16BE"); EncodeTest.printByteLength(ch, "UTF-16LE");

} }

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.

11.中文汉字：人

12.字节数：2;编码：GB2312

13.字节数：2;编码：GBK

14.字节数：2;编码：GB18030

15.字节数：1;编码：ISO-8859-1

16.字节数：3;编码：UTF-8

17.字节数：4;编码：UTF-16

18.字节数：2;编码：UTF-16BE

19.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。

如果我们直接按照字节截取会出现什么情况呢？我们来测试一下：

Java代码

import java.io.UnsupportedEncodingException;     public class CutString {       public static void main(String[] args) throws UnsupportedEncodingException {           String s = "我 ZWR 爱 JAVA";           // 获取 GBK 编码下的字节数据           byte[] data = s.getBytes("GBK");           byte[] tmp = new byte[6];           // 将 data 数组的前六个字节拷贝到 tmp 数组中           System.arraycopy(data, 0, tmp, 0, 6);           // 将截取到的前六个字节以字符串形式输出到控制台           s = new String(tmp);           System.out.println(s);       }   }

输出结果：

   1. 我 ZWR?

在截取前六个字节时，第二个汉字“爱”被截取了一半，导致它无法正常显示了，这样显然是有问题的。

我们不能直接使用 String 类的 substring(intbeginIndex, 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++) { // charAt(int index)也是按照字符来分解字符串的 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：

1.原始字符串：我 ZWR爱 JAVA

2.截取前 1位：我

3.截取前 2位：我

4.截取前 4位：我 ZW

5.截取前 6位：我 ZWR 爱