python截取中文字符串

python的中文处理还是比较麻烦的，utf-8的字符串的长度是1-6个字符，一不小心就会从中截断，出现所谓的乱码。下面这个函数提供了，从一段utf-8编码的字符串中，截取固定长度的字串。ord(char)将字符转换称整数，根据utf-8的编码规则，确定每个utf-8的字占用几个字符，从而避免截断的情况。
参数：
  string  ：utf-8字符串，如果是别的字符编码，请先转换成utf-8（推荐所有字符串和文件都用utf-8格式的）
  length ：字符数（注意不是中文字的个数）

题外话：
python的字符编码，有几个函数unicode(str,'charset'),str.decode('charset'),str.encode('charset')。
举个例子，你要将gb2312转为gbk，如下
str = unicode(str,'gb2312') #转为unicode
str.encode('gbk')                #转为gbk

实际上，linux系统中，你可以使用iconv -f gb2312 -t gbk sourcefile > targetfile来进行转换。

 

[python]  view plain copy

 

1. def subString(string,length):  
2.     if length >= len(string):  
3.     return string  
4.     result = ''  
5.     i = 0  
6.     p = 0  
7.     while True:  
8.     ch = ord(string[i])  
9.     #1111110x  
10.     if ch >= 252:  
11.         p = p + 6  
12.     #111110xx  
13.     elif ch >= 248:  
14.         p = p + 5  
15.     #11110xxx  
16.     elif ch >= 240:  
17.         p = p + 4  
18.     #1110xxxx  
19.     elif ch >= 224:  
20.         p = p + 3  
21.     #110xxxxx  
22.     elif ch >= 192:  
23.         p = p + 2  
24.     else:  
25.         p = p + 1     
26.           
27.     if p >= length:  
28.         break;  
29.     else:  
30.         i = p  
31.     return string[0:i]  

 

 

 

后记：

后来，我发现一种更为简单的方法

str = '中国人'

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

先转换成unicode，再取子串，然后转换成utf-8