Lua中获取字符串长度
首先是关于字符长度的一些结束（可以不看）
在 Lua 中，获取字符串长度我们一般使用 #str（不建议使用 string.len(str) ）！
local str = "abc" local len = #str print(len) -- 3 str = "你们好" len = #str print(len) -- 9
疑惑：
这里就出现了一个问题：为啥字符串 abc 的长度为 3，而字符串 你们好 的长度却是 9 呢？难道是哪里出问题了？当然不是！
其实这是字符编码导致的，在使用 UTF-8 字符编码的情况下，一个中文字符一般占 3 个字节，所以 3 个中文字符自然就是 9 个字节咯！
那么问题来了，现在我需要不管是中文字符还是其他字符，长度都为 1 该咋整呢？
查找资料了解了具体原因：
不同的编码格式占字节数是不同的，UTF-8编码下一个中文所占字节也是不确定的，通常是3个字符，可能是2个、4个字节；
出于效率考虑，于是又弄了一个UTF-16，不严谨地来说它等价于Unicode原生编码，它统一采用双字节表示一个字符
下面是Unicode和UTF-8转换的规则
Unicode
||
UTF-8
0000 - 007F
||
0xxxxxxx
0080 - 07FF
||
110xxxxx 10xxxxxx
0800 - FFFF
||
1110xxxx 10xxxxxx 10xxxxxx
例如"汉"字的Unicode编码是6C49
6C49在0800-FFFF之间，所以要用3字节模板：1110xxxx 10xxxxxx 10xxxxxx。将6C49写成二进制是：0110 1100 0100 1001，将这个比特流按三字节模板的分段方法分为0110 110001 001001，依次代替模板中的x，得到：
1110-0110 10-110001 10-001001，即E6 B1 89，这就是其UTF8的编码
GBK、GB2312收编的汉字占2个字节，严格地用iso8859-1无法表示汉字，只能转为问号
回到Lua中获取字符串长度问题：
这里记录两种方案：
方案一
-- 获取字符串的长度（任何单个字符长度都为1） --由于编码格式的原因，【#字符串】 的方式获取中文时是字节数量，所以按照视觉效果来说会觉得返回有误 function getStringLength(inputstr) if not inputstr or type(inputstr) ~= "string" or #inputstr <= 0 then --inputstr不为nil、类型为字符串、且长度不为0 return nil end local length = 0 -- 字符的个数 local i = 1 --累计的每个字符的字节数，如果 i = 0，那么跳出while条件就是 i >= #intutstr 或 i == #inputstr while true do --这里我们是通过获取一个字符的头字节来判断是几字节的，如汉字的头字节ASCII是大于223的，所以直接跳过后面2个字节的判断，byteCount = 3 local curByte = string.byte(inputstr, i) --获取单个字节的ASCII码 local byteCount = 1 --单个字符的字节数，根据ASCII判断字节数 if curByte > 239 then byteCount = 4 -- 4字节字符 elseif curByte > 223 then byteCount = 3 -- 汉字，3字节 elseif curByte > 128 then byteCount = 2 -- 双字节字符 else byteCount = 1 -- 单字节字符 end -- local char = string.sub(inputstr, i, i + byteCount - 1) -- print(char) -- 打印单个字符 i = i + byteCount length = length + 1 if i > #inputstr then break end end return length --返回字符个数 end local str = "I think,故我在.bmp" local len = getStringLength(str) --获取字符串字符长度 print(string.format("Number of characters: %s\nNumber of bytes: %s", len, #str))
以上代码输出结果如下：
注：这里可能不是很能理解上面的循环中的跳过条件，在上述示例中，当 “i”的值大于字符串的字节数时会跳出循环，而 “i” 的值时根据每一个字符的头字节来判断一个字符的字节长度，前面也说了，汉字的头字节是1110xxxx开头，也就是头字节的ASCII值是大于223的，竟然已经知道了这个字符是汉字，那么我们不再进行后面两个字节的判断，所以 “i” 的值也就 + 3（因为byteCount = 3），这样就直接跳到了下一个字符的头字节判断。这里要知到，字符和字节是不同的概念，字符可以由多个字节组成，下面我再通过图的方式来说明一下
1. 首先输出我们示例字符串的每个字节
local str = "I think,故我在.bmp" --示例字符串 print(str:byte(1, #str)) --输出每个字节的值
2. 我们会得到下面数据
可以明确的看到，英文和符号 “字符” 的头 “字节” ASCII码都是小于小于128的，也就是只占 1 字节
而中文 “字符” 的头 “字节” ASCII都是大于223的，说明占了3字节，所以我们也不在判断中文 “字符” 的其他 “字节”
如果不理解 “字符” 和 “字节”，可以参考：相关文章1 相关文章2
方案二
-- 计算 UTF8 字符串的长度，每一个中文算一个字符 function utf8len(input) local len = string.len(input) --这里获取到的长度为字节数，如示例长度为：21，而我们肉眼看到的长度应该是15（包含空格） local left = len --将字节长度赋值给将要使用的变量，作为判断退出while循环的字节长度 local cnt = 0 --将要返回的字符长度 local arr = {0, 0xc0, 0xe0, 0xf0, 0xf8, 0xfc} --用来判断是否满足字节长度的列表 while left ~= 0 do --遍历每一个字符 --获取字节的ASCII值，这里的 “-” 代表反向对应的索引，-left：input反着第left --假设字符串字符input长度是：21，left的值是：21，那string.byte(input, -left)就是第一个字节的ASCII值 local tmp = string.byte(input, -left) --看上面两行 local i = #arr --获取判断列表的长度，同时作为字节长度 while arr[i] do --循环判定列表 if tmp >= arr[i] then --判定当前 “字符” 的 头“字节” ACSII值符合的范围 left = left - i --字符串字节长度 -i，也就是 减去字节长度 break --结束判断 end i = i - 1 --每次判断失败都说明不符合当前字节长度 end cnt = cnt + 1 --“字符” 长度+1 end return cnt --返回 “字符” 长度 end local str = "I think,故我在.bmp" local len = utf8len(str) --获取字符串字符长度 print(string.format("Number of characters: %s\nNumber of bytes: %s", len, str:len()))
注：方案二与方案一原理差不多，都是根据每个字符的头 “字节” 来判断字节长度，不同的是方案二是先遍历一个判断列表，根据符合 / 不符合条件来判断字节长度，如果一开始就符合了范围，那么字节长度就是判断列表的长度 “5”了，不过显然我们的示例字符串最大的字节长度也就 “3”
