Java中1个char类型的变量可存储任意编码的1个字符,如1个ASC码和或1个中文字符,例如:含有3个ASC和含有3个汉字字符的字符串长度是一样的:
"1ac".length()==3;
"你好a".length()=3;
但上述两个字符串所占的byte是不一样的,前者是3,后者是5(1个汉字2byte)。
请编写函数:
public static String leftStr(String source, int maxByteLen)
从source中取最大maxByteLen个byte的子串。当最后一个byte恰好为一个汉字的前半个字节时,舍弃此byte。例如:
String str="我LRW爱JAVA";
leftStr(str,1)=="";
leftStr(str,2)=="我";
leftStr(str,4)=="我LR";
leftStr(str,11)=="我LRW";
或者,当最后一个byte恰好为一个汉字的前半个字节时,补全汉字(多截取一个byte)。例如:
String str="我LRW爱JAVA";
leftStr(str,1)=="我";
leftStr(str,2)=="我";
leftStr(str,4)=="我LR";
leftStr(str,11)=="我LRW爱";
一种做法是依次判断每一个字符是否为中文。(参考http://zangweiren.javaeye.com/blog/216005中的四)
在此考虑另一种解决办法。因为汉字只涉及到最后一个字节,当最后一个字节是汉字的前半个字节时需要特殊处理,所以就围绕“怎么判断最后一个字节是汉字的前半个字节”进行考虑。单独来讲,是无法判定一个字节到底是不是一个汉字的前半个字节,但可以判断出是否是字串中某个汉字的前半个字节。汉字为:“\u4e00-\u9fa5”(未考证)
解决办法就是:将截取的最后一个字节与紧跟在后面的一个字节进行组合(考虑后面已经没字节的情况),判断组合出来的一个字符是否包含在原字符串中:如果包含,则说明是前半个汉字;如果不包含,则说明不是前半个汉字。(应该也无法区分汉字、韩文、日文)。
以“我LRW爱JAVA”为例。其getBytes()(使用默认的字符集)得到的二进制码为:CED2 4C 52 57 B0AE 4A 41 56 41。
截取前1个字节时,为“CE”,那么就判断“CED2”是否是前半个汉字,用“CED2”构造一个字符出来(亦使用默认字符集),判断构造出来的字符是否包含在原字串中。发现构造出来的字符是“我”,显然包含在原字串中,所以是前半个汉字。
截取前2个字节时,为“CED2”(就是“我”字),那么就判断“D2”是否是前半个汉字,用“D24C”构造一个字符出来(亦使用默认字符集),发现构造出来的字符是“襆”,显然不包含在原字串中,所以不是前半个汉字。
判断出来了最后一个字节是否为前半个汉字后就很容易处理了,一种是舍弃最后一个字节,一种是加多一个字节,以便保证汉字的完整。
所有过程均采用默认字符集,绕过了不同字符集编码不同的影响。
完整源码如下:
public static String leftStr(String source, int maxByteLen, int flag){
if(source == null maxByteLen <= 0){
return "";
}
byte[] bStr = source.getBytes();
if(maxByteLen >= bStr.length)return source;
String cStr = new String(bStr, maxByteLen - 1, 2);
if(cStr.length() == 1 && source.contains(cStr)){
maxByteLen += flag;
}
return new String(bStr, 0, maxByteLen);
}