截取中英文混合字符串

http://blog.zjol.com.cn/?uid-313676-action-viewspace-itemid-2032637

题目：

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”。

GB2312、GBK、GB18030，CP936以及CNS11643都满足条件 -- 中文是占用2个字节的，英文是占用1一个字节 。

中文编码资料：

中文字符编码简介

http://www.cftea.com/c/2008/03/140B5A561NFN51DS.asp

中文编码基础知识介绍

http://www.eygle.com/digest/2007/01/zhs16gbk_char.html

JAVA 编码

import java.io.UnsupportedEncodingException;

/**

* 题目： 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”。

*

* 解决方法： 中文是占用2个字节的，英文是占用1一个字节， 所以先确定一种编码满足此条件。

* GB2312、GBK、GB18030，CP936以及CNS11643都满足条件。

*

* @author Eric

* @version 1.0

*

*/

public class CharactersSplit {

/**

*

* @param text 目标字符串

* @param length 截取长度

* @param encode 采用的编码方式

* @return

* @throws UnsupportedEncodingException

*/

public String substring(String text, int length, String encode)

throws UnsupportedEncodingException {

if (text == null) {

return null;

}

StringBuilder sb = new StringBuilder();

int currentLength = 0;

for (char c : text.toCharArray()) {

currentLength += String.valueOf(c).getBytes(encode).length;

if (currentLength <= length) {

sb.append(c);

} else {

break;

}

}

return sb.toString();

}

public void test() throws Exception {

String text = "我ABC汉DEF";

int length1 = 3;

int length2 = 6;

String[] encodes = new String[] { "GB2312", "GBK", "GB18030", "CP936",

"CNS11643" };

for (String encode : encodes) {

System.out.println(new StringBuilder().append("用").append(encode)

.append("编码截取字符串 -- 【").append(text).append("】").append(

length1).append("个字节的结果是【").append(

substring(text, length1, encode)).append("】")

.toString());

System.out.println(new StringBuilder().append("用").append(encode)

.append("编码截取字符串 -- 【").append(text).append("】").append(

length2).append("个字节的结果是【").append(

substring(text, length2, encode)).append("】")

.toString());

}

}

public static void main(String[] args) throws Exception {

new CharactersSplit().test();

}

}

测试结果：

用GB2312编码截取字符串 -- 【我ABC汉DEF】3个字节的结果是【我A】

用GB2312编码截取字符串 -- 【我ABC汉DEF】6个字节的结果是【我ABC】

用GBK编码截取字符串 -- 【我ABC汉DEF】3个字节的结果是【我A】

用GBK编码截取字符串 -- 【我ABC汉DEF】6个字节的结果是【我ABC】

用GB18030编码截取字符串 -- 【我ABC汉DEF】3个字节的结果是【我A】

用GB18030编码截取字符串 -- 【我ABC汉DEF】6个字节的结果是【我ABC】

用CP936编码截取字符串 -- 【我ABC汉DEF】3个字节的结果是【我A】

用CP936编码截取字符串 -- 【我ABC汉DEF】6个字节的结果是【我ABC】

用CNS11643编码截取字符串 -- 【我ABC汉DEF】3个字节的结果是【我A】

用CNS11643编码截取字符串 -- 【我ABC汉DEF】6个字节的结果是【我ABC】

getBytes()透析

本文来自CSDN博客，转载请标明出处：http://blog.csdn.net/maxracer/archive/2010/12/14/6075057.aspx

在Java中,String的getBytes()方法是得到一个操作系统默认的编码格式的字节数组。这表示在不同的操作系统下,返回的东西不一样!

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");

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。

而与getBytes相对的,可以通过new String(byte[], decode)的方式来还原这个"中"字,

这个new String(byte[], decode)实际是使用指定的编码decode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");

通过输出s_gbk、s_utf8和s_iso88591,会发现s_gbk和s_utf8都是"中",而只有s_iso88591是一个不被识别的字符（可以理解为乱码）,为什么使用ISO8859-1编码再组合之后,无法还原"中"字？原因很简单,因为ISO8859-1编码的编码表根本就不包含汉字字符,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()来还原就更是无从谈起。

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。

注意：

有时候,为了让中文字符适应某些特殊要求(如http header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。

在jsp文件中的一点声明：

<%!

private boolean isUseless(String instr){

return (null==instr||"".equals(instr)||"null".equalsIgnoreCase(instr));

}//返回instr与null（"","null"）等值比较之后的结果，是true或者false（true）。

private String turnCoding(String instr) throws Exception{

if(!isUseless(instr)){ //如果不是true（意即不为空），那么

return new String (instr.getBytes("ISO-8859-1"),"GB2312");

}

else {

return "";

}

}

%>