字串截取是日常開發最常做的小操作之一,但真正容易出錯的地方在中文——用錯方法就會出現亂碼。本文把常見的截取方法整理成一份對照說明,並附上處理中文的兩種自製函式。
substring 提取介於兩個索引之間的字元,包含 start,不包含 stop。它的行為有幾個自動修正規則:
var str = "0123456789";
str.substring(0); // "0123456789"
str.substring(5); // "56789"
str.substring(10); // ""
str.substring(-5); // "0123456789"(負數視為 0)
str.substring(0, 5); // "01234"
str.substring(2, 0); // "01"(自動交換)
str.substring(2, 2); // ""
str.substring(2, 5); // "234"
str.substring(2, 12); // "23456789"(超出長度自動截斷)
str.substring(2, -2); // "01"
substr 的第二個參數是「要取幾個字元」,而不是結束位置,這點跟 substring 剛好相反,是最常見的混淆來源。另外 length 為 0 或負數時回傳空字串。
var str = "0123456789";
str.substr(0); // "0123456789"
str.substr(5); // "56789"
str.substr(0, 5); // "01234"
str.substr(2, 2); // "23"
str.substr(2, 5); // "23456"
str.substr(2, 12);// "23456789"
str.substr(2, -2);// ""
str.substr(-1, 5);// "01234"
補充一點:substr 被標記為 Annex B 的 legacy 特性,雖然目前所有主流瀏覽器仍支援,但新專案建議改用 slice 或 substring。slice 支援負索引,語意也最一致。
substring 與 substr 本身不會因為中文而亂碼,它們處理的是 UTF-16 程式碼單位。真正的問題是「長度計算」:一個中文字在视觉上佔的寬度約是英文的兩倍,直接截 10 個字元會讓版面錯位或語意被切一半。因此需要一個「把中文算 2、英文算 1」的自製函式。
String.prototype.sub = function (n) {
var r = /[^\x00-\xff]/g;
if (this.replace(r, "mm").length <= n) { return this; }
var m = Math.floor(n / 2);
for (var i = m; i < this.length; i++) {
if (this.substr(0, i).replace(r, "mm").length >= n) {
return this.substr(0, i) + "...";
}
}
return this;
};
// 截取字串(含中文處理)
// 參數:(字串, 截取長度, 是否加上 ...)
function subString(str, len, hasDot) {
var newLength = 0;
var newStr = "";
var chineseRegex = /[^\x00-\xff]/g;
var singleChar = '';
var strLength = str.replace(chineseRegex, '**').length;
for (var i = 0; i < strLength; i++) {
singleChar = str.charAt(i).toString();
if (singleChar.match(chineseRegex) != null) { newLength += 2; }
else { newLength++; }
if (newLength > len) { break; }
newStr += singleChar;
}
if (hasDot && strLength > len) { newStr += '...'; }
return newStr;
}
<html>
<head>
<meta http-equiv="Content-Type" content="text/html; charset=utf-8" />
<title>JavaScript 字串截取處理(含中文)</title>
<script language="javascript">
String.prototype.sub = function (n) {
var r = /[^\x00-\xff]/g;
if (this.replace(r, "mm").length <= n) { return this }
var m = Math.floor(n / 2);
for (var i = m; i < this.length; i++) {
if (this.substr(0, i).replace(r, "mm").length >= n) {
return this.substr(0, i) + "..."
}
}
return this
};
function subString(str, len, hasDot) {
var newLength = 0, newStr = "";
var chineseRegex = /[^\x00-\xff]/g;
var singleChar = '';
var strLength = str.replace(chineseRegex, '**').length;
for (var i = 0; i < strLength; i++) {
singleChar = str.charAt(i).toString();
if (singleChar.match(chineseRegex) != null) { newLength += 2 } else { newLength++ }
if (newLength > len) { break }
newStr += singleChar
}
if (hasDot && strLength > len) { newStr += '...' }
return newStr
}
</script>
</head>
<body>
<script language="javascript">
var str = '我愛www.jb51.net';
alert(str.sub(10));
alert(subString(str, 10, false));
</script>
</body>
</html>
選擇哪一種取決於場景:需要「視覺寬度一致」就用做法二;只是單純想限制字數,直接用 Array.from(str).slice(0, n).join('') 更安全,因為它能正確處理 emoji 這類佔兩個 UTF-16 單位的字元,不會把字元切成一半變成亂碼。