截取带emoji表情的utf8字符串

好久没有写博客了，当然这个锅得甩给忙碌的工作

最近工作中又一次碰到了关于emoji表情的问题：需求要求将用户输入的一段内容，截取8个长度作为标题。app端简单的对内容substr了一下。

然而当在一些特殊情况下，就会出现截取后最后一位乱码的情况。比如内容为：“明天要发奖金啦”，按预期截取后应该是：“明天要发奖金啦”；而实际上截取的结果是：“明天要发奖金啦？”，最后一位是个乱码，看来奖金发不成了。

要细说起编码，那就是一篇很长的论文了，不了解的同学可以度娘、谷哥一下。

这里主要说说utf8编码：

UTF-8是一种变长字节编码方式。对于某一个字符的UTF-8编码，如果只有一个字节则其最高二进制位为0；如果是多字节，其第一个字节从最高位开始，连续的二进制位值为1的个数决定了其编码的位数，其余各字节均以10开头。

#1-byte格式: 0xxxxxxx
#2-byte格式: 110xxxxx 10xxxxxx
#3-byte格式: 1110xxxx 10xxxxxx 10xxxxxx
#4-byte格式: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
......

之前说到过，emoji表情和一些汉字是4-byte的。加之上面的规律。我们就好办了。

#1-byte格式第1个字节为: 0xxxxxxx 最大时为01111111   对应10进制数值127

#2-byte格式第1个字节为: 110xxxxx 最大时为11011111  对应10进制数值223

#3-byte格式第1个字节为: 1110xxxx 最大时为11101111  对应10进制数值239

#4-byte格式第1个字节为: 11110xxx 最大时为11110111  对应10进制数值247

def get_eight_chars(s):
    i = 0
    print type(s)
    s = s.encode("utf-8") 
    print type(s)
    s = list(s)
    temp=[]
    c = 0
    while i < len(s):
        k = ord(s[i])
        print 'k',k
        # 1-byte
        if k <= 127:
            temp.append(''.join(s[i:i+1]))
            i += 1
        # 2-byte,跳过 2 bytes
        elif k < 224:
            temp.append(''.join(s[i:i+2]))
            i += 2
        # 3-byte,跳过 3 bytes
        elif k < 240:
            temp.append(''.join(s[i:i+3]))
            i += 3
        # 4-byte,跳过 4 bytes
        else:
            temp.append(''.join(s[i:i+4]))
            i += 4
        c = c + 1
        if c==8:
            break
    return ''.join(temp)