Python 字符串中文截取：详解各种方法及编码处理226

Python 中处理字符串，特别是包含中文的字符串截取，常常会遇到一些棘手的问题。因为中文不像英文那样每个字符都占用一个字节，一个汉字通常占用两个或四个字节（取决于编码方式）。直接使用 Python 内置的字符串切片方法可能会导致截取结果不完整或出现乱码。本文将详细介绍几种 Python 字符串中文截取的方法，并深入探讨编码问题，帮助你更好地处理中文文本。

1. 基础方法：切片 (Slicing) 的局限性

Python 的字符串切片功能非常强大，可以直接通过 `[start:end]` 的方式截取字符串。但是，对于中文，它仅仅是根据字节数进行切片，而不是字符数。这意味着如果你的字符串使用了 UTF-8 等多字节编码，直接切片可能会导致一个汉字被截成两半，出现乱码。
text = "你好世界"
# 错误的截取方式，可能导致乱码
truncated_text = text[:3] # 结果可能不是你预期的
print(truncated_text)

2. 使用 `len()` 函数及编码转换的可靠方法

为了避免上述问题，我们应该先明确字符串的编码方式，然后根据字符数而不是字节数进行截取。Python 的 `len()` 函数默认返回字节数，我们需要先将字符串解码成 Unicode，然后再计算字符数。
import sys
def cut_string_by_char(text, length, encoding='utf-8'):
"""
根据字符数截取字符串，处理编码问题。
Args:
text: 需要截取的字符串
length: 需要截取的字符数
encoding: 字符串编码方式 (默认为 utf-8)
Returns:
截取后的字符串
"""
try:
unicode_text = (encoding) if isinstance(text, bytes) else text # 处理字节串
if len(unicode_text)

2025-05-18

上一篇：Python N-gram模型详解及实现

下一篇：Python 字符串编码详解：解码、编码、错误处理及最佳实践