Java 字符串按字節截取且不截斷漢字

需求

輸入字符串與字節數 len，按字節截取前 len 字節，**保證漢字不被截半**（UTF-8 下漢字 3 字節，GBK 下 2 字節）。

核心邏輯

1. byte[] bytes = str.getBytes(charset) 獲取字節數組
2. 若 len >= bytes.length 直接返回原串
3. 檢查 bytes[len] (即第 len+1 個字節) 是否為 **負值**
4. 若為負值，說明第 len 字節屬於多字節字符的**非首字節**（被截半），需 len-- 回退
5. new String(bytes, 0, len, charset) 構造結果

完整代碼

public static String subByBytes(String src, int len, String charset) {
    if (src == null) return null;
    byte[] bytes = src.getBytes(Charset.forName(charset));
    if (len >= bytes.length) return src;
    // 回退直到字符邊界
    while (len > 0 && bytes[len] < 0) { // 負值表示非首字節
        len--;
    }
    return new String(bytes, 0, len, charset);
}

// 測試
public static void main(String[] args) {
    System.out.println(subByBytes("我ABC", 4, "GBK"));      // 我AB (漢字2字節)
    System.out.println(subByBytes("我ABC漢DEF", 6, "GBK")); // 我ABC (第6字節是漢字首字節，保留)
    System.out.println(subByBytes("我ABC", 4, "UTF-8"));    // 我A  (漢字3字節，第4字節屬於B)
}

關鍵點解析

• 負值判斷：Java byte 有符號，多字節字符的**非首字節**最高位為 1 → 負值。首字節在 UTF-8/GBK 中也可能為負，但「被截半」時第 len 字節必為非首字節 → 負值
• 循環回退：處理連續多字節字符被截斷的情況（如 UTF-8 3 字節漢字，len 落在中間需回退 2 步）
• 編碼一致性：getBytes 與構造時**必須使用相同 Charset**，否則亂碼

JDK 內置替代方案

Java 9+ 可用 String.substring(int beginIndex, int endIndex) 配合 Character.isSupplementaryCodePoint，但仍需自行處理字節邊界。上述工具法通用性最強。