在java中,字符串“abcd”与字符串“ab你好”的长度是一样,都是四个字符。
但对应的字节数不同,一个汉字占两个字节。
定义一个方法,按照指定的字节数来取子串。
如:对于“ab你好”,如果取三个字节,那么子串就是ab与“你”字的半个,那么半个就要舍弃。如果取四个字节就是“ab你”,取五个字节还是“ab你”。
在这里提醒一下:汉字编码GBK与UTF-8存在差异,在GBK中,汉字占两个字节,UTF-8中,汉字主要落在三区,大部分占了三个字节。
代码实现:
<span style="font-family:Times New Roman;font-size:14px;"><span style="font-family:Times New Roman;font-size:14px;">package cn.hncu.io.ex;
import java.io.UnsupportedEncodingException;
public class StringCutUtil {
private StringCutUtil(){
}
public static String cutStringByByte(String str, int len){
if(System.getProperty("file.encoding").equalsIgnoreCase("gbk")){
return cutStringByByteGBK(str,len);
}
if(System.getProperty("file.encoding").equalsIgnoreCase("utf-8")){
return cutStringByByteUTF8(str,len);
}
return "当前系统不支持中文!";
}
private static String cutStringByByteGBK(String str, int len){
try {
byte buf[] = str.getBytes("gbk");
int count=0;
for(int i=len-1;i>=0;i-- ){
if(buf[i]<0){
count++;
}else{
break;
}
}
if(count%2==0){
return new String(buf, 0, len,"gbk");
}else{
return new String(buf,0,len-1,"gbk");
}
} catch (UnsupportedEncodingException e) {
throw new RuntimeException("字符编码异常,该字符串中包含非gbk字符", e);
}
}
private static String cutStringByByteUTF8(String str, int len){
try {
byte buf[] = str.getBytes("utf-8");
int count=0;
for(int i=len-1;i>=0;i-- ){
if(buf[i]<0){
count++;
}else{
break;
}
}
if(count%3==0){
return new String(buf, 0, len,"utf-8");
}else{
return new String(buf,0,len-count%3,"utf-8");
}
} catch (UnsupportedEncodingException e) {
throw new RuntimeException("字符编码异常,该字符串中包含非gbk字符", e);
}
}
public static void main(String[] args) {
//观察
String str ="ab你好h3h城市d琲琲";//汉字“琲”的编码是一负一正,并不是一般汉字的两个负数码值
byte bs[]=null;
// bs = str.getBytes();
try {
bs = str.getBytes("gbk");
//bs = str.getBytes("utf-8");
} catch (UnsupportedEncodingException e) {
e.printStackTrace();
}
for(byte b:bs){
System.out.print(b+" ");
}
//单元测试
System.out.println();
for(int i=1;i<=bs.length;i++){
//String ss = cutStringByByteGBK(str,i);
//String ss = cutStringByByteUTF8(str,i);
String ss = cutStringByByte(str,i);
System.out.println(i+": "+ss);
}
}
}
</span></span>
为了更加实用,不用在截取字符时考虑编码问题,我把两者做了统一处理,将会以系统默认编码进行截取。