给来电者的记录

Question

在Windows Phone上，我想将任何给定字符串子串到相当于100个ASCII字符的长度。

String.Length显然没用，因为中文字符串每个字符使用3个字节，丹麦字符串每个字符使用2个或4个字节，俄语字符串每个字符使用4个字节。

唯一可用的编码是UTF-8和UTF-16。那我该怎么办？

这个想法是这样的：

private static string UnicodeSubstring(string text, int length)
{
    var bytes = Encoding.UTF8.GetBytes(text);

    return Encoding.UTF8.GetString(bytes, 0, Math.Min(bytes.Length, length));
}

但是长度需要使用每个字符使用的字节数正确分割，因此 last 字符始终可以正确呈现。

Answer 1

一个选项是简单地浏览字符串，计算每个字符的字节数。

如果您知道不需要处理BMP之外的字符，这很简单：

public string SubstringWithinUtf8Limit(string text, int byteLimit)
{
    int byteCount = 0;
    char[] buffer = new char[1];
    for (int i = 0; i < text.Length; i++)
    {
        buffer[0] = text[i];
        byteCount += Encoding.UTF8.GetByteCount(buffer);
        if (byteCount > byteLimit)
        {
            // Couldn't add this character. Return its index
            return text.Substring(0, i);
        }
    }
    return text;
}

如果你必须处理代理人对，那就变得有点棘手了：（

Answer 2

一种选择是简单地将“字符”（包括代理对，如果你需要支持它们）添加到结果字符串中，看看它是否被转换成你想要的正确数字。

Answer 3

尽管这是一个非常老的问题，但我认为正确的方法是使用System.Globalization.StringInfo类的StringInfo.SubstringByTextElements Method。这样做的主要优点是对net461及更高版本的.NET文档保证，StringInfo的{{3}}保证符合Unicode标准版本8.0.0：

给来电者的记录

内部，StringInfo类的方法调用 CharUnicodeInfo类确定字符的方法类别。从.NET Framework 4.6.2开始，字符分类基于Unicode标准版本8.0.0。对于 NET Framework 4.6.1至.NET Framework 4，它基于 Unicode标准版本6.3.0。在.NET Core中，它基于 Unicode标准版本8.0.0。

现在，鉴于Microsoft Docs上没有有关如何调用它的示例，您如何实际调用SubstringByTextElements？

在StringInfo类中，有一个注释说：

通过调用ParseCombiningCharacters方法来检索包含每个文本元素的起始索引的数组。然后，您可以通过将这些索引传递给SubstringByTextElements方法来检索单个文本元素。

所以：

调用ParseCombinigCharacters以获得每个文本元素的起始索引
使用第一步提供的索引调用SubstringByTextElements。

Answer 4

还有一个想法是检查最后一个字符是否为Unicode Replace Character，并删除一个字符，直到它被正确呈现。

private static string UnicodeSubstring(string text, int length)
{
    var bytes = Encoding.UTF8.GetBytes(text);
    var result = Encoding.UTF8.GetString(bytes, 0, Math.Min(bytes.Length, length));

    while ('\uFFFD' == result[result.Length - 1])
    {
        result = result.Substring(0, result.Length - 1);
    }

    return result;
}

用于拉丁语，中文，西里尔语等的子串UTF-8

4 个答案:

给来电者的记录