java按字节截取字符串

时间：2023-01-12 11:00:25

java面试题：

编写一个截取字符串的函数，输入为一个字符串和字节数，输出为按字节截取的字符串。但是要保证汉字不被截半个，如"我ABC"4，应该截为"我AB"，输入"我ABC汉DEF"，6，应该输出为"我ABC"而不是"我ABC+汉的半个"。


目前很多流行的语言，如C#、Java内部采用的都是 Unicode 16（UCS2）编码，在这种编码中所有的字符都是两个字符，因此，如果要截取的字符串是中、英文、数字混合的，就会产生问题，如下面的字符串：

　　String s = "a加b等于c，如果a等1、b等于2，那么c等3";

　　上面的字符串既有汉字，又有英文字符和数字。如果要截取前6个字节的字符，应该是”a加b等"，但如果用substring方法截取前6个字符就成了"a 加b等于c"。产生这个问题的原因是将substring方法将双字节的汉字当成一个字节的字符（UCS2字符）处理了。

 

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 java按字节截取字符串
  1. import java.io.UnsupportedEncodingException;   
  2.   
  3. public class EncodeTest {   
  4.     /**  
  5.      * 打印字符串在指定编码下的字节数和编码名称到控制台  
  6.      *   
  7.      * @param s  
  8.      *            字符串  
  9.      * @param encodingName  
  10.      *            编码格式  
  11.      */  
  12.     public static void printByteLength(String s, String encodingName) {   
  13.         System.out.print("字节数：");   
  14.         try {   
  15.             System.out.print(s.getBytes(encodingName).length);   
  16.         } catch (UnsupportedEncodingException e) {   
  17.             e.printStackTrace();   
  18.         }   
  19.         System.out.println(";编码：" + encodingName);   
  20.     }   
  21.   
  22.     public static void main(String[] args) {   
  23.         String en = "A";   
  24.         String ch = "人";   
  25.   
  26.         // 计算一个英文字母在各种编码下的字节数   
  27.         System.out.println("英文字母：" + en);   
  28.         EncodeTest.printByteLength(en, "GB2312");   
  29.         EncodeTest.printByteLength(en, "GBK");   
  30.         EncodeTest.printByteLength(en, "GB18030");   
  31.         EncodeTest.printByteLength(en, "ISO-8859-1");   
  32.         EncodeTest.printByteLength(en, "UTF-8");   
  33.         EncodeTest.printByteLength(en, "UTF-16");   
  34.         EncodeTest.printByteLength(en, "UTF-16BE");   
  35.         EncodeTest.printByteLength(en, "UTF-16LE");   
  36.   
  37.         System.out.println();   
  38.   
  39.         // 计算一个中文汉字在各种编码下的字节数   
  40.         System.out.println("中文汉字：" + ch);   
  41.         EncodeTest.printByteLength(ch, "GB2312");   
  42.         EncodeTest.printByteLength(ch, "GBK");   
  43.         EncodeTest.printByteLength(ch, "GB18030");   
  44.         EncodeTest.printByteLength(ch, "ISO-8859-1");   
  45.         EncodeTest.printByteLength(ch, "UTF-8");   
  46.         EncodeTest.printByteLength(ch, "UTF-16");   
  47.         EncodeTest.printByteLength(ch, "UTF-16BE");   
  48.         EncodeTest.printByteLength(ch, "UTF-16LE");   
  49.     }   
  50. }  

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. 中文汉字：人
  11. 字节数：2;编码：GB2312
  12. 字节数：2;编码：GBK
  13. 字节数：2;编码：GB18030
  14. 字节数：1;编码：ISO-8859-1
  15. 字节数：3;编码：UTF-8
  16. 字节数：4;编码：UTF-16
  17. 字节数：2;编码：UTF-16BE
  18. 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。

我们不能直接使用String类的substring(int beginIndex, 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。

以下是转载自http://www.javaeye.com/topic/216577的代码

java按字节截取字符串
  1. import java.io.UnsupportedEncodingException;   
  2.   
  3. public class CutString {   
  4.   
  5.     /**  
  6.      * 判断是否是一个中文汉字  
  7.      *   
  8.      * @param c  
  9.      *            字符  
  10.      * @return true表示是中文汉字，false表示是英文字母  
  11.      * @throws UnsupportedEncodingException  
  12.      *             使用了JAVA不支持的编码格式  
  13.      */  
  14.     public static boolean isChineseChar(char c)   
  15.             throws UnsupportedEncodingException {   
  16.         // 如果字节数大于1，是汉字   
  17.         // 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   
  18.         return String.valueOf(c).getBytes("GBK").length > 1;   
  19.     }   
  20.   
  21.     /**  
  22.      * 按字节截取字符串  
  23.      *   
  24.      * @param orignal  
  25.      *            原始字符串  
  26.      * @param count  
  27.      *            截取位数  
  28.      * @return 截取后的字符串  
  29.      * @throws UnsupportedEncodingException  
  30.      *             使用了JAVA不支持的编码格式  
  31.      */  
  32.     public static String substring(String orignal, int count)   
  33.             throws UnsupportedEncodingException {   
  34.         // 原始字符不为null，也不是空字符串   
  35.         if (orignal != null && !"".equals(orignal)) {   
  36.             // 将原始字符串转换为GBK编码格式   
  37.             orignal = new String(orignal.getBytes(), "GBK");   
  38.             // 要截取的字节数大于0，且小于原始字符串的字节数   
  39.             if (count > 0 && count < orignal.getBytes("GBK").length) {   
  40.                 StringBuffer buff = new StringBuffer();   
  41.                 char c;   
  42.                 for (int i = 0; i < count; i++) {   
  43.                     c = orignal.charAt(i);   
  44.                     buff.append(c);   
  45.                     if (CutString.isChineseChar(c)) {   
  46.                         // 遇到中文汉字，截取字节总数减1   
  47.                         --count;   
  48.                     }   
  49.                 }   
  50.                 return buff.toString();   
  51.             }   
  52.         }   
  53.         return orignal;   
  54.     }   
  55.   
  56.     public static void main(String[] args) {   
  57.         // 原始字符串   
  58.         String s = "我ZWR爱JAVA";   
  59.         System.out.println("原始字符串：" + s);   
  60.         try {   
  61.             System.out.println("截取前1位：" + CutString.substring(s, 1));   
  62.             System.out.println("截取前2位：" + CutString.substring(s, 2));   
  63.             System.out.println("截取前4位：" + CutString.substring(s, 4));   
  64.             System.out.println("截取前6位：" + CutString.substring(s, 6));   
  65.         } catch (UnsupportedEncodingException e) {   
  66.             e.printStackTrace();   
  67.         }   
  68.     }   
  69. }  


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

 
不知道是平台原因还是什么，我运行以上程序得不到正确结果： 下面是我修改后的代码，在我的机器上能正确运行：

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");//
           // System.out.println(orignal);
          //  System.out.println(new String(orignal.getBytes("GBK"),"UTF-8"));
            // 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++) {  
                    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;  
                    }  
                }  
            //   System.out.println(new String(buff.toString().getBytes("GBK"),"UTF-8"));
                return new String(buff.toString().getBytes(),"UTF-8");  
            }  
        }  
        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();  
        }  
    }  


}
运行结果结果同上。但还有一个疑问，按照题目按照字节截取字符串，取一个字节的时候应为空，这里是我，所以这个程序还有待 改进。

 

 

 

下面这篇文字也有利于大家理解：

Sunshine 的 String.getBytes()和new String()

在Java中，String.getBytes(String decode)方法会根据指定的decode编码返回某字符串在该编码下的byte数组表示，如

byte[] b_gbk = "中".getBytes("GBK");
byte[] b_utf8 = "中".getBytes("UTF-8");
byte[] b_iso88591 = "中".getBytes("ISO8859-1");

byte[] b_unicode = "中".getBytes("unicode");

将分别返回“中”这个汉字在GBK、UTF-8和ISO8859-1编码下的byte数组表示，此时b_gbk的长度为2，b_utf8的长度为3，b_iso88591的长度为1,b_unicode 的长度为4（系统的的unicode采用的是big-endian就是前面是两个字节来表示这个的，unicode采用的都是两个字节编码，所以后面是4个字节 ）。

而与getBytes相对的，可以通过new String(byte[], decode)的方式来还原这个“中”字时，这个new String(byte[], decode)实际是使用decode指定的编码来将byte[]解析成字符串。

String s_gbk = new String(b_gbk,"GBK");
String s_utf8 = new String(b_utf8,"UTF-8");
String s_iso88591 = new String(b_iso88591,"ISO8859-1");

通过打印s_gbk、s_utf8和s_iso88591，会发现，s_gbk和s_utf8都是“中”，而只有s_iso88591是一个不认识的字符，为什么使用ISO8859-1编码再组合之后，无法还原“中”字呢，其实原因很简单，因为ISO8859-1编码的编码表中，根本就没有包含汉字字符，当然也就无法通过"中".getBytes("ISO8859-1");来得到正确的“中”字在ISO8859-1中的编码值了，所以再通过new String()来还原就无从谈起了。

因此，通过String.getBytes(String decode)方法来得到byte[]时，一定要确定decode的编码表中确实存在String表示的码值，这样得到的byte[]数组才能正确被还原。

有时候，为了让中文字符适应某些特殊要求（如http header头要求其内容必须为iso8859-1编码），可能会通过将中文字符按照字节方式来编码的情况，如

String s_iso88591 = new String("中".getBytes("UTF-8"),"ISO8859-1")，这样得到的s_iso8859-1字符串实际是三个在ISO8859-1中的字符，在将这些字符传递到目的地后，目的地程序再通过相反的方式String s_utf8 = new String(s_iso88591.getBytes("ISO8859-1"),"UTF-8")来得到正确的中文汉字“中”。这样就既保证了遵守协议规定、也支持中文。

标签：

相关文章