c# - 拉丁文、中文、西里尔文等的子字符串 UTF-8

Question

在 Windows Phone 上，我想将任何给定的字符串子字符串化为等同于 100 个 ASCII 字符的长度。

String.Length 显然没有用，因为中文字符串每个字符使用 3 个字节，丹麦语字符串每个字符使用 2 或 4 个字节，而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？

思路是这样的:

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));
}

但是长度需要能被每个字符使用的字节数正确整除，所以最后字符总是被正确渲染。

Answer 1

一种选择是简单地遍历字符串，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，那么这相当简单:

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对，它会变得有点棘手 :(