DIV CSS 佈局教程網

JS 如何計算中文字串長度:字元、位元組與編碼的三角關係
編輯:關於JavaScript     

JavaScript 的字串一律是 string 物件,用 length 就能拿到長度,聽起來很美好——但這個 length 對中文、全形符號、英文字母一視同仁,每個字都算 1。這和 PHP 的 strlen() 完全不同,而後者回傳的其實是「位元組數」。

這個差異在表單驗證時特別容易出問題:資料庫欄位限制往往是以位元組計算的,若直接用 length 檢查,中文輸入就會超出實際容量。

基本版:全形算 2,半形算 1

最直白的作法就是逐字元掃描,命中全形字元與漢字就加 2,其餘加 1:

function strlen(str) {
var s = 0;
for(var i = 0; i < str.length; i++) {
if(str.charAt(i).match(/[u0391-uFFE5]/)) {
s += 2;
} else {
s++;
}
}
return s;
}

另一個常見寫法是用 charCodeAt 判斷是否落在 0–255 的單位元組區間:

function fucCheckLength(strTemp)
{
var i,sum;
sum=0;
for(i=0;i<strTemp.length;i++)
{
if ((strTemp.charCodeAt(i)>=0) && (strTemp.charCodeAt(i)<=255))
sum=sum+1;
else
sum=sum+2;
}
return sum;
}
alert(fucCheckLength("中國a")); // 5

但「長度」和「位元組」不是同一件事

字元長度和位元組長度會分歧,因為後者取決於編碼方式。「中國a」在 GBK/GB2312 下是 5 個位元組(漢字各佔 2),在 UTF-8 下卻是 7 個位元組(漢字通常佔 3)。所以上面那些「全形算 2」的函式,本質上是在模擬 GBK 世界的計算方式,並不等於真實的位元組數。

若真的需要精確的 UTF-8 位元組數,得自己把 UTF-8 序列解回 Unicode 再重新編碼,例如:

function Utf8ToUnicode(strUtf8)
{
var bstr = "";
var nTotalChars = strUtf8.length;
var nOffset = 0;
var nRemainingBytes = nTotalChars;
var iCode, iCode1, iCode2;
while (nOffset < nTotalChars)
{
iCode = strUtf8.charCodeAt(nOffset);
if ((iCode & 0x80) == 0) // 1 byte
{
if ( nRemainingBytes < 1 ) break;
bstr += String.fromCharCode(iCode & 0x7F);
nOffset ++;
nRemainingBytes -= 1;
}
else if ((iCode & 0xE0) == 0xC0) // 2 bytes
{
iCode1 = strUtf8.charCodeAt(nOffset + 1);
if ( nRemainingBytes < 2 || (iCode1 & 0xC0) != 0x80 ) break;
bstr += String.fromCharCode(((iCode & 0x3F) << 6) | ( iCode1 & 0x3F));
nOffset += 2;
nRemainingBytes -= 2;
}
else if ((iCode & 0xF0) == 0xE0) // 3 bytes
{
iCode1 = strUtf8.charCodeAt(nOffset + 1);
iCode2 = strUtf8.charCodeAt(nOffset + 2);
if ( nRemainingBytes < 3 || (iCode1 & 0xC0) != 0x80 || (iCode2 & 0xC0) != 0x80 ) break;
bstr += String.fromCharCode(((iCode & 0x0F) << 12) | ((iCode1 & 0x3F) << 6) | (iCode2 & 0x3F));
nOffset += 3;
nRemainingBytes -= 3;
}
else break; // 4 bytes 以上不支援
}
if (nRemainingBytes != 0) return "";
return bstr;
}

實用折衷:getBytes()

多數前端場景只需要一個「夠用」的估算值,於是有了直接把非 ASCII 字元多算一位的寫法:

String.prototype.getBytes = function() {
var cArr = this.match(/[^\x00-\xff]/ig);
return this.length + (cArr == null ? 0 : cArr.length);
}
function paramCheck(cur){
if(cur.value.getBytes() > 64){
alert("字符超過64個字符");
return false;
}
return true;
}

原理是用正則抓出所有非單位元組字元放進 cArr,字元數加上這批「額外字元」的數量,就是近似的位元組數。缺點是 [^\x00-\xff] 太寬鬆,全形的標點符號、甚至部分特殊符號都會被算成 2;但若改用 [^\u4E00-\u9FA5] 這類只涵蓋 CJK 區段的寫法,又會漏掉擴充區的漢字。

另外兩種常見變體

用字元比較代替正則:

function _length(str){
var len=0;
for(var i=0;i<str.length;i++){
if(str.charAt(i)>'~'){len+=2;}else{len++;}
}
return len;
}

以及連帶做到「依位元組長度截斷並加省略符號」的完整版:

String.prototype.gblen = function() {
var len = 0;
for (var i=0; i<this.length; i++) {
if (this.charCodeAt(i)>127 || this.charCodeAt(i)==94) { len += 2; } else { len++; }
}
return len;
}
String.prototype.gbtrim = function(len, s) {
var str = '';
var sp = s || '';
var len2 = 0;
for (var i=0; i<this.length; i++) {
if (this.charCodeAt(i)>127 || this.charCodeAt(i)==94) { len2 += 2; } else { len2++; }
}
if (len2 <= len) { return this; }
len2 = 0;
len = (len > sp.length) ? len-sp.length: len;
for (var i=0; i<this.length; i++) {
if (this.charCodeAt(i)>127 || this.charCodeAt(i)==94) { len2 += 2; } else { len2++; }
if (len2 > len) { str += sp; break; }
str += this.charAt(i);
}
return str;
}
var str1 = '世上最牛的@#%&們 世上最牛的@#%&們';
document.write('str1 = '+ str1 +'<BR>');
document.write('length = '+ str1.gblen() +'<BR>');
document.write('gbtrim(10) = '+ str1.gbtrim(10) +'<BR>');
document.write('gbtrim(10, \'…\') = '+ str1.gbtrim(10, '…') +'<BR>');
document.write('gbtrim(12, \'-\' ) = '+ str1.gbtrim(12, '-') +'<BR>');
// gbtrim(len 為截取長度,按英文字元長度計算;s 為截取後的省略符號
// 因為中文字元一律按 2 計算,len 為 10 時最多顯示 5 個漢字
// 而漢字數超過 5 時,由於還要留出省略符號的空間,實際只顯示 4 個漢字

結論很簡單:先確認你要的是「字元數」還是「位元組數」,再確認目標編碼是 GBK 還是 UTF-8,最後才選對應的實作。這三個問題沒想清楚,再漂亮的函式也只是在算錯數字。

XML學習教程| jQuery入門知識| AJAX入門| Dreamweaver教程| Fireworks入門知識| SEO技巧| SEO優化集錦|
Copyright © DIV+CSS佈局教程網 All Rights Reserved