lua 截取字符,以及取字符个数(非字符串长度)

2016/10/14 16:53
阅读数 7.8K

需求

按字面个数来截取

函数(字符串, 开始位置, 截取长度)

utf8sub("你好1世界哈哈",2,5)	=	好1世界哈
utf8sub("1你好1世界哈哈",2,5)	=	你好1世界
utf8sub("你好世界1哈哈",1,5)	=	你好世界1
utf8sub("12345678",3,5)		=	34567
utf8sub("øpø你好pix",2,5)	=	pø你好p

错误方法

网上找了一些算法, 都不太正确; 要么就是乱码, 要么就是只考虑了4 byte 中文的情况, 不够全面

  1. string.sub(s,1,截取长度*4)

    网上很多直接使用”""string.sub(s,1,截取长度*4)“是肯定不对的, 因为如果中英文混合的字符串, 例如你好1世界的字符长度分别是4,4,1,4,4, 如果截取4个字, 4*4=4+4+1+4+3, 那世界字将会被取前3个byte, 就会出现乱码

  2. if byte>128 then index = index + 4

问题关键

  1. utf8字符是变长字符
  2. 字符长度有规律

UTF-8字符规律

字符串的首个byte表示了该utf8字符的长度

0xxxxxxx - 1 byte
110yxxxx - 192, 2 byte
1110yyyy - 225, 3 byte
11110zzz - 240, 4 byte

各种正确算法

-- 判断utf8字符byte长度
-- 0xxxxxxx - 1 byte
-- 110yxxxx - 192, 2 byte
-- 1110yyyy - 225, 3 byte
-- 11110zzz - 240, 4 byte
local function chsize(char)
	if not char then
		print("not char")
		return 0
	elseif char > 240 then
		return 4
	elseif char > 225 then
		return 3
	elseif char > 192 then
		return 2
	else
		return 1
	end
end

-- 计算utf8字符串字符数, 各种字符都按一个字符计算
-- 例如utf8len("1你好") => 3
function utf8len(str)
	local len = 0
	local currentIndex = 1
	while currentIndex <= #str do
		local char = string.byte(str, currentIndex)
		currentIndex = currentIndex + chsize(char)
		len = len +1
	end
	return len
end

-- 截取utf8 字符串
-- str:			要截取的字符串
-- startChar:	开始字符下标,从1开始
-- numChars:	要截取的字符长度
function utf8sub(str, startChar, numChars)
	local startIndex = 1
	while startChar > 1 do
		local char = string.byte(str, startIndex)
		startIndex = startIndex + chsize(char)
		startChar = startChar - 1
	end

	local currentIndex = startIndex

	while numChars > 0 and currentIndex <= #str do
		local char = string.byte(str, currentIndex)
		currentIndex = currentIndex + chsize(char)
		numChars = numChars -1
	end
	return str:sub(startIndex, currentIndex - 1)
end

-- 自测
function test()
	-- test utf8len
	assert(utf8len("你好1世界哈哈") == 7)
	assert(utf8len("你好世界1哈哈 ") == 8)
	assert(utf8len(" 你好世 界1哈哈") == 9)
	assert(utf8len("12345678") == 8)
	assert(utf8len("øpø你好pix") == 8)

	-- test utf8sub
	assert(utf8sub("你好1世界哈哈",2,5) == "好1世界哈")
	assert(utf8sub("1你好1世界哈哈",2,5) == "你好1世界")
	assert(utf8sub(" 你好1世界 哈哈",2,6) == "你好1世界 ")
	assert(utf8sub("你好世界1哈哈",1,5) == "你好世界1")
	assert(utf8sub("12345678",3,5) == "34567")
	assert(utf8sub("øpø你好pix",2,5) == "pø你好p")

	print("all test succ")
end

test()
展开阅读全文
0
1 收藏
分享
加载中
更多评论
打赏
0 评论
1 收藏
0
分享
返回顶部
顶部