lua 处理utf8 字符集（计算长度和截取子串，其他语言类似）

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

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

的

界

字将会被取前3个byte,
就会出现乱码

if byte>128 then index = index + 4

问题关键

utf8字符是变长字符
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()