Java按字節截取字符串並保證中文字符不拆分實現

需求：按指定字節長度截取字符串，中文字符佔 2 字節，英文佔 1 字節，**不能將中文字符截半**。本文提供基於正則識別中文、字節計數器的完整實現，並分析邊界情況與性能優化。

一、核心邏輯

1. 遍歷字符串每個字符
2. 正則 [\\u4e00-\\u9fa5] 判斷是否中文
3. 中文 +2，非中文 +1 累加字節計數
4. 計數達到限制輸出當前片段，歸零繼續
5. 超過限制時：當前字符不輸出，換行後重新計數

二、完整實現代碼

import java.util.Scanner;

public class ByteSubstring {
    private static final String CHINESE_REGEX = "[\\u4e00-\\u9fa5]";

    public static void main(String[] args) {
        Scanner sc = new Scanner(System.in);
        System.out.print("請輸入字符串：");
        String input = sc.nextLine();
        System.out.print("請輸入字節數：");
        int byteLimit = sc.nextInt();

        System.out.println("按 " + byteLimit + " 字節分段結果：");
        splitByByte(input, byteLimit);
    }

    public static void splitByByte(String str, int limit) {
        if (str == null || limit <= 0) return;

        int count = 0;
        StringBuilder segment = new StringBuilder();

        for (int i = 0; i < str.length(); i++) {
            char ch = str.charAt(i);
            String chStr = String.valueOf(ch);
            int byteLen = chStr.matches(CHINESE_REGEX) ? 2 : 1;

            if (count + byteLen < limit) {
                segment.append(ch);
                count += byteLen;
            } else if (count + byteLen == limit) {
                segment.append(ch);
                System.out.println(segment);
                segment.setLength(0);
                count = 0;
            } else { // 超過限制
                if (segment.length() > 0) System.out.println(segment);
                segment.setLength(0);
                segment.append(ch);
                count = byteLen;
            }
        }
        if (segment.length() > 0) System.out.println(segment);
    }
}

三、測試用例與輸出

四、增補字符 (Emoji/生僻字) 處理補充

上述代碼基於 char 遍歷，**無法正確處理增補字符**（佔 2 個 char，即 4 字節 UTF-16）。Java 8+ 正確做法：

public static void splitByByteCorrect(String str, int limit) {
    int count = 0;
    StringBuilder seg = new StringBuilder();
    int cp;
    for (int i = 0; i < str.length(); i += Character.charCount(cp)) {
        cp = str.codePointAt(i);
        String chStr = new String(Character.toChars(cp));
        // 簡單估算：BMP 字符按編碼判斷，增補字符統計為 4 字節 (UTF-8 通常 4 字節)
        int byteLen = (cp <= 0xFFFF) ? (chStr.matches(CHINESE_REGEX) ? 2 : 1) : 4;

        if (count + byteLen <= limit) {
            seg.append(chStr);
            count += byteLen;
        } else {
            if (seg.length() > 0) System.out.println(seg);
            seg.setLength(0);
            seg.append(chStr);
            count = byteLen;
        }
    }
    if (seg.length() > 0) System.out.println(seg);
}

五、性能優化建議

1. 預編譯正則：Pattern CHINESE_PATTERN = Pattern.compile(CHINESE_REGEX)
2. 避免 String.matches() 隱式編譯，改用 matcher(chStr).matches()
3. 大字符串分段輸出時，使用 StringBuilder 批量寫入 PrintWriter
4. 若僅需截取前 N 字節，可直接 byte[] bytes = str.getBytes(StandardCharsets.UTF_8) 截取後解碼，但需處理半個字符殘留

六、總結

按字節截取字符串核心在於**字符級遍歷 + 字節長度累加 + 邊界判斷**。生產代碼建議封裝為工具類，支持指定編碼（UTF-8/GBK）、增補字符正確處理、流式處理大文本。