C#、Java实现按字节截取字符串包含中文汉字和英文字符数字标点符号等

C#、Java实现按字节截取字符串，字符串中包含中文汉字和英文字符数字标点符号等。

在实际项目应用过程中，尤其是在web开发时可能遇到的比较多，就以我的（JiYF笨小孩管理系统）为例，再发布文章时候，文章摘要如果用户没有填写，默认截取文章前面255个字节，这个时候里面难免包含中文汉字，英文字母，标点符号等等有可能就会遇到截取出半个汉字的情况。

以Unicode 16（UCS2）编码为例，每一个字符占用俩个字节

假如字符串s：

String s = "潮哥shuo丑安ni去哪？";

上面的s字符串既有汉字，又有英文字符和数字

举例：

如果要截取前6个字节的字符，应该是”潮哥sh"，但如果用substring方法截取前6个字符就成了"潮哥shuo"。

如果截取9个字节，应该是“潮哥shuo” 丑的半个汉字就去掉了，但如果用substring方法截取前9个字符就成了"潮哥shuo丑安n"。

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。要解决这个问题的方法是首先得到该字符串的UCS2编码的字节数组，如下面的代码如下：

C#代码示例：

 private static string cutSubstring(string str, int length)
         {
             if (str == null || str.Length ==  || length < )
             {
                 return "";
             }
 
             byte[] bytes = System.Text.Encoding.Unicode.GetBytes(str);
             int n = ;  //  表示当前的字节数
             int i = ;  //  要截取的字节数
             for (; i < bytes.GetLength() && n < length; i++)
             {
                 //  偶数位置，如0、2、4等，为UCS2编码中两个字节的第一个字节
                 if (i %  == )
                 {
                     n++;      //  在UCS2第一个字节时n加1
                 }
                 else
                 {
                     //  当UCS2编码的第二个字节大于0时，该UCS2字符为汉字，一个汉字算两个字节
                     if (bytes[i] > )
                     {
                         n++;
                     }
                 }
             }
             //  如果i为奇数时，处理成偶数
             if (i %  == )
             {
                 //  该UCS2字符是汉字时，去掉这个截一半的汉字
                 if (bytes[i] > )
                     i = i - ;
                 //  该UCS2字符是字母或数字，则保留该字符
                 else
                     i = i + ;
             }
             return System.Text.Encoding.Unicode.GetString(bytes, , i);
         }

分析：

测试结果：

调用

cutSubstring("潮哥shuo丑安ni去哪?",6);------>运行结果：“潮哥sh”

cutSubstring("潮哥shuo丑安ni去哪?",9);------>运行结果：“潮哥shuo”

Java代码示例:

（细心的童鞋会发现i值不同，java是从2开始C#从0开始，这里注意，java转换为字节数组，前俩个字节是标志位，所以第0位和第1位是标志位，从2开始）

 public static String bSubstring(String s, int length) throws Exception
     {
 
         byte[] bytes = s.getBytes("Unicode");
         int n = ; // 表示当前的字节数
         int i = ; // 要截取的字节数，从第3个字节开始
         for (; i < bytes.length && n < length; i++)
         {
             // 奇数位置，如3、5、7等，为UCS2编码中两个字节的第二个字节
             if (i %  == )
             {
                 n++; // 在UCS2第二个字节时n加1
             }
             else
             {
                 // 当UCS2编码的第一个字节不等于0时，该UCS2字符为汉字，一个汉字算两个字节
                 if (bytes[i] != )
                 {
                     n++;
                 }
             }
         }
         // 如果i为奇数时，处理成偶数
         if (i %  == )
 
         {
             // 该UCS2字符是汉字时，去掉这个截一半的汉字
             if (bytes[i - ] != )
                 i = i - ;
             // 该UCS2字符是字母或数字，则保留该字符
             else
                 i = i + ;
         }
 
         return new String(bytes, , i, "Unicode");
     }

测试结果：

调用

cutSubstring("潮哥shuo丑安ni去哪?",6);------>运行结果：“潮哥sh”

cutSubstring("潮哥shuo丑安ni去哪?",9);------>运行结果：“潮哥shuo”