Java 按位元組截取含中文字串完整解法

問題背景

資料庫欄位多為定長位元組（如 Oracle VARCHAR2(100 BYTE)），若直接用 substring(int begin, int end) 截取字元數，遇到中英文混排會導致實際位元組長度超限，寫入失敗。核心難點：中文字元在 UTF-8 佔 3 位元組，GBK 佔 2 位元組，英文僅 1 位元組，截取時不能將雙位元組字元「切半」。

核心思路

1. 指定編碼（通常 UTF-8 或 GBK），將字串轉為 byte[]
2. 若總位元組數 ≤ 限制，直接返回
3. 否則從末尾向前逐字元檢查：累加各字元位元組長度，超限則捨棄該字元
4. 最終組合合法字元返回

關鍵代碼實現（UTF-8 版）

public static String substringByByte(String str, int maxBytes, String charset) throws UnsupportedEncodingException {
    if (str == null || str.isEmpty() || maxBytes <= 0) return str;
    byte[] bytes = str.getBytes(charset);
    if (bytes.length <= maxBytes) return str;

    StringBuilder sb = new StringBuilder();
    int count = 0;
    for (char c : str.toCharArray()) {
        int charBytes = String.valueOf(c).getBytes(charset).length;
        if (count + charBytes > maxBytes) break;
        sb.append(c);
        count += charBytes;
    }
    return sb.toString();
}

遞歸版（原文思路）

public static String truncateRecursive(String s, int maxBytes, String charset) throws UnsupportedEncodingException {
    if (s.getBytes(charset).length <= maxBytes) return s;
    return truncateRecursive(s.substring(0, s.length() - 1), maxBytes, charset);
}

注意：遞歸版效能較差（重複編碼），生產環境建議用迭代版。

編碼對照表（關鍵知識點）

進階：判斷是否為漢字

public static boolean isChineseChar(char c) {
    // UTF-8 下中文≥3 bytes，英文=1 byte
    return String.valueOf(c).getBytes(StandardCharsets.UTF_8).length > 1;
}

總結

按位元組截取的本質是在指定編碼下逐字元累加位元組長度。生產代碼務必：

• 明確指定 Charset，避免平台預設編碼差異
• 優先用 StringBuilder 迭代構建，避免遞歸/重複編碼
• 單元測試覆蓋：純英文、純中文、中英混雜、邊界值（剛好等於/超 1 位元組）