截取UTF-8编码的汉字，最后一个字出现乱码的问题

问题描述

原来字串内容name为下面内容：

######name=杨乃文做DJ，微信公众号FunRadio。什么样的姿态是小丑姿态？2016046######

需要截取成大小为64的name_rm[64]的数组内容，出现如下乱码：

######name=杨乃文做DJ，微信公众号FunRadio。什么样的姿态斣#####

问题分析

UTF-8编码，汉字占3个字节，英文占一个字节，标点符号占领3个字节。

汉子：15*3=45

英文：10*1=10

标点符号：2*3=6

 

共61,64-61=3还可存放一个汉字。由于程序将最后一个字节设置为结尾符‘\0’,导致只剩截取需要三个字节存放的汉字，从而出现乱码。

 

问题解决

如果只能存放有效长度63（除掉结束符）的内容，

则从原来字串里面读取长度为63的内容里面的有效字符串。

 

上面按例有效字串长度为61，这样从原来字串提取61的长度，就不会出现乱码了。

 

提取有效字串长度代码：

 int getsubstringlen(char *string,int len)
 {
 
     int j = ;
     int n = ;
     char *p = NULL;
 
     int str_length = len;
 
     p = string;    
 
     while(n <= str_length)
     {
 
         if((*p & 0XFC)==0XFC)
         {
             j = ;
         }
         else if((*p & 0XF8)==0XF8)
         {
             j = ;
         }
         else if((*p & 0XF0)==0XF0)
         {
             j = ;
         }
         else if((*p & 0XE0)==0XE0)
         {
             j = ;
         }
         else if((*p & 0XC0)==0XC0)
         {
             j = ;
         }
         else
         {
             j = ;
         }
 
         if (n+j<=str_length)
         {
             n += j;
         }else
             break;
 
         p = p+j;
     }
 
     return n;
 
 } 

参考资料：

http://blog.csdn.net/chary8088/article/details/21226375

 

UTF-8的编码规则很简单, 只有两条:

1) 对于单字节的符号, 字节的第一位设为0, 后面7位为这个符号的unicode码. 因此对于
   英语字母, UTF-8编码和ASCII码是相同的.

2) 对于n字节的符号(n>1), 第一个字节的前n位都设为1, 第n+1位设为0, 后面字节的前
   两位一律设为10. 剩下的没有提及的二进制位, 全部为这个符号的unicode码.

下表总结了编码规则, 字母x表示可用编码的位.

 <SPAN xmlns="http://www.w3.org/1999/xhtml">// #txt---
    |  Unicode符号范围      |  UTF-8编码方式
  n |  (十六进制)           | (二进制)
 ---+-----------------------+------------------------------------------------------
  1 | 0000 0000 - 0000 007F |                                              0xxxxxxx
  2 | 0000 0080 - 0000 07FF |                                     110xxxxx 10xxxxxx
  3 | 0000 0800 - 0000 FFFF |                            1110xxxx 10xxxxxx 10xxxxxx
  4 | 0001 0000 - 0010 FFFF |                   11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
  5 | 0020 0000 - 03FF FFFF |          111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
  6 | 0400 0000 - 7FFF FFFF | 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx  
 
                     表 1. UTF-8的编码规则
 // #txt---end
 </SPAN>