大家好，我是考100分的小小码 ，祝大家学习进步，加薪顺利呀。今天说一说按照字节截取字符串的函数_截取指定字符之后的字符串,希望您对编程的造诣更进一步.
🤯起因
银行开户接口，要求参数通讯地址不能超过152个字节，但是通讯地址字符串的组成，可能包含中文+英文或者其他的字符，且中文在不同的编码所占的字节数又不一样，所以需要根据编码来截取不同长度的字符串，且不能截取到半个汉字出现乱码
🤯编码
各种编码由来
ASCII：美国信息交换标准码，标准ASCII码为7位，扩充ASCII码为8位，在处理时都按照1个字节处理，所以：
-
标准ASCII码只能表示128个字符，扩充ASCII码能表示128个字符，非常有限
-
1个字母占1个字节
ANSI：为了扩充ASCII码，显示其他非英语的语言字符而产生的新编码方式，不同国家有不同的编码，下面为中文的编码：
- GB2312：简单可以理解为简体中文编码表示，采用94行94列的方阵，对每一行称为一个“区”，每一列称为一个“位”，所以字符在矩阵中就有了唯一的位置，且需要用2个字节表示，一个表示区，一个表示位，所以理论上GB2312最多能存储256*256个汉字。
- GBK：扩展GB2312，支持古文生僻字的编码
- Big5：繁体字的编码（台湾、香港、澳门用的居多）
Unicode：为了统一ANSI的多种编码方式的统一编码，但是效率不高
UTF-8：为了解决Unicode的效率问题，出现了UTF-8；
Base64：8Bit字节代码的编码方式之一，用于传输8Bit字节代码，适用于http传输
汉字到底怎么占位？
| 编码 | 一个汉字占位 | 一个英文占位 |
|---|---|---|
| GB2312 | 2 | 1 |
| GBK | 2 | 1 |
| Unicode | 4 | 4 |
| UTF-8 | 3/4 | 1 |
🤯汉字二进制转换成10进制值范围？
GB2312 和 GBK 的编码方式一致，具体为：
- 对于 ASCII 字符，使用一个字节存储，并且该字节的最高位是 0，这和 ASCII 编码是一致的，所以说 GB2312 完全兼容 ASCII
- 对于中国的字符，使用两个字节存储，并且规定每个字节的最高位都是 1
UTF-8存储方式：
- UTF-8区分每个字符的开始是根据字符的高位字节来区分的，比如用一个字节表示的字符，第一个字节高位以“0”开头；用两个字节表示的字符，第一个字节的高位为以“110”开头，后面一个字节以“10开头”；用三个字节表示的字符，第一个字节以“1110”开头，后面俩字节以“10”开头；用四个字节表示的字符，第一个字节以“11110”开头，后面的三个字节以“10”开头
综上所述：无论GBK、GB2312、UTF-8二进制表示的高位都是1，所以每个字节转换成有符号的十进制都小于0，我们就有了思路，当遇到汉字时，转成的byte值是小于0的
🤯如何实现按字节截取呢？
-
先定义编码枚举，主要管理不同编码下，一个汉字所占用的字节数量
/** * 编码 enum */ @AllArgsConstructor @Getter public enum ChartSet { GBK("GBK", 2), GB2312("GB2312", 2), UTF8("UTF-8", 3), UNICODE("Unicode", 4), ; private String value; /* 中文所占字节 */ private int bytes; }代码100分
按照编码方式会有不同的存储字节数量（UTF-8中大多数中文字都是占3位，所以这里按照3位处理）
-
截取方法
代码100分/** * 不同编码中，按字节截取字符串 * * @param str 待截取字符串 * @param chartSet 截取的字节长度 * @param len * @return * @throws UnsupportedEncodingException */ public static String subStringByByte(String str, ChartSet chartSet, int len) throws UnsupportedEncodingException { if (StringUtils.isBlank(str)) { return str; } byte[] bytes = str.getBytes(chartSet.getValue()); int num = 0; for (int i = len - 1; i >= 0; i--) { if (bytes[i] < 0) { num++; } else { break; } } int sub = num % chartSet.bytes; return sub == 0 ? new String(bytes, 0, len, StandardCharsets.UTF_8) : new String(bytes, 0, len - sub, StandardCharsets.UTF_8); }
主要思想：
- 按照编码把字符串转换成byte[]
- 根据截取字节长度，从数组截取处向前循环直到遇到正数后break，计算负数的个数，此负数个数的作用是，用来判断截取处，最后一个汉字是否完全被截取到：
- 如果完全截取到，则截取byte[]的长度为(0, len)
- 如果截取了一部分，则应该截取byte[]的长度为(0, len – (负数的个数 % 一个汉字占用字节))
参考：
- GB2312编码和GBK编码，将中文存储到计算机
- # utf-8中一个汉字是3个字节，你知道吗？
😈如果有错误请不吝赐教吼～～
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
转载请注明出处: https://daima100.com/11337.html
