在搜文本换行算法的时候发现了编写一个截取字符串的函数, 问题是
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”。
可能描述的有些不明确, 应该这样说
编写一个截取字符串的函数, 给定字符串, 编码格式, 使用前2个参数编码之后的字节数组, 以及截取字节数组的最大长度.
要求返回实际需要截取的长度, 不能在解码指定长度字节数组后出现半个字符的现象.
那么测试代码大概是这样的(就以Java为例):
1
2
3
4
5
6
7
8
| String str = "我abc的def";
String charset = "gbk";
int length = 6;
byte[] bytes = str.getBytes(charset);
String result = new String(bytes, 0, subString(str, charset, bytes,
length), charset);
assert result.equals("我abc的");
|
最后一行的断言仅适用于gbk和utf-8的情况, 其它的不保证可用.
在开始的帖子中看到过一个实现, 等价于下面的代码:
1
2
3
4
5
6
7
8
9
10
11
12
13
| private static int subString(String str, String charset, byte[] bytes,
int length) throws UnsupportedEncodingException {
int i = 0;
for (char c : str.toCharArray()) {
int n = i + String.valueOf(c).getBytes(charset).length;
if (n > length)
return i;
else if (n == length)
return n;
i = n;
}
return i;
}
|
不过想想, subString返回值一般在length-3到length之间, 可以探测截取指定长度是否会有问题, 那么就可以有下面的一个实现:
1
2
3
4
5
6
7
8
9
10
| private static int detectByte(String str, String charset, byte[] bytes,
int length) throws UnsupportedEncodingException {
String s = null;
int i = length + 1;
do {
i--;
s = new String(bytes, 0, i, charset);
} while (!str.substring(0, s.length()).equals(s));
return i;
}
|
再想想, 实际有差别的只是最后一个字符, 只比较最后一个字符即可:
1
2
3
4
5
6
7
8
9
10
11
12
| private static int subString(String str, String charset, byte[] bytes,
int length) throws UnsupportedEncodingException {
String s = null;
int n = length + 1;
int i;
do {
n--;
s = new String(bytes, 0, n, charset);
i = s.length() - 1;
} while (str.charAt(i) != s.charAt(i));
return n;
}
|
第一种会比较慢些, 后面的方法会占用更多的内存.
这个问题始终和编码类型有关的, 因为需要返回的是字节数组/流的长度, 而不是字符数组/串/流的长度.
不过这个代码的应用场景我还是想不出来, 即使有这样的场景, 也可以有别的变通办法可以不需要这样截取.
