Java String
を切り捨てて、UTF-8でエンコードされた後、指定されたバイト数のストレージに収まるようにするにはどうすればよいですか?
これは、UTF-8表現の大きさをカウントし、それを超えると切り捨てる単純なループです。
_public static String truncateWhenUTF8(String s, int maxBytes) {
int b = 0;
for (int i = 0; i < s.length(); i++) {
char c = s.charAt(i);
// ranges from http://en.wikipedia.org/wiki/UTF-8
int skip = 0;
int more;
if (c <= 0x007f) {
more = 1;
}
else if (c <= 0x07FF) {
more = 2;
} else if (c <= 0xd7ff) {
more = 3;
} else if (c <= 0xDFFF) {
// surrogate area, consume next char as well
more = 4;
skip = 1;
} else {
more = 3;
}
if (b + more > maxBytes) {
return s.substring(0, i);
}
b += more;
i += skip;
}
return s;
}
_
このは、入力文字列に表示される 代理ペア を処理します。 JavaのUTF-8エンコーダーは(正しく)サロゲートペアを2つの3バイトシーケンスではなく単一の4バイトシーケンスとして出力するため、truncateWhenUTF8()
は可能な限り長い切り捨てられた文字列を返します。実装でサロゲートペアを無視すると、切り捨てられた文字列が必要以上にショートする可能性があります。
私はそのコードで多くのテストを行っていませんが、ここにいくつかの予備テストがあります:
_private static void test(String s, int maxBytes, int expectedBytes) {
String result = truncateWhenUTF8(s, maxBytes);
byte[] utf8 = result.getBytes(Charset.forName("UTF-8"));
if (utf8.length > maxBytes) {
System.out.println("BAD: our truncation of " + s + " was too big");
}
if (utf8.length != expectedBytes) {
System.out.println("BAD: expected " + expectedBytes + " got " + utf8.length);
}
System.out.println(s + " truncated to " + result);
}
public static void main(String[] args) {
test("abcd", 0, 0);
test("abcd", 1, 1);
test("abcd", 2, 2);
test("abcd", 3, 3);
test("abcd", 4, 4);
test("abcd", 5, 4);
test("a\u0080b", 0, 0);
test("a\u0080b", 1, 1);
test("a\u0080b", 2, 1);
test("a\u0080b", 3, 3);
test("a\u0080b", 4, 4);
test("a\u0080b", 5, 4);
test("a\u0800b", 0, 0);
test("a\u0800b", 1, 1);
test("a\u0800b", 2, 1);
test("a\u0800b", 3, 1);
test("a\u0800b", 4, 4);
test("a\u0800b", 5, 5);
test("a\u0800b", 6, 5);
// surrogate pairs
test("\uD834\uDD1E", 0, 0);
test("\uD834\uDD1E", 1, 0);
test("\uD834\uDD1E", 2, 0);
test("\uD834\uDD1E", 3, 0);
test("\uD834\uDD1E", 4, 4);
test("\uD834\uDD1E", 5, 4);
}
_
Updatedコード例を変更し、サロゲートペアを処理するようになりました。
CharsetEncoder を使用する必要があります。単純なgetBytes()
+ UTF-8文字を半分にカットできる限り多くコピーします。
このようなもの:
public static int truncateUtf8(String input, byte[] output) {
ByteBuffer outBuf = ByteBuffer.wrap(output);
CharBuffer inBuf = CharBuffer.wrap(input.toCharArray());
Charset utf8 = Charset.forName("UTF-8");
utf8.newEncoder().encode(inBuf, outBuf, true);
System.out.println("encoded " + inBuf.position() + " chars of " + input.length() + ", result: " + outBuf.position() + " bytes");
return outBuf.position();
}
これが私が思いついたものです。標準のJava APIを使用しているので、安全で、すべてのUnicodeの奇妙さと代理ペアなどと互換性があるはずです。解決策は http:// www.jroller.com/holy/entry/truncating_utf_string_to_the nullのチェックが追加され、文字列がmaxBytesより少ないバイトの場合のデコードを回避します。
/**
* Truncates a string to the number of characters that fit in X bytes avoiding multi byte characters being cut in
* half at the cut off point. Also handles surrogate pairs where 2 characters in the string is actually one literal
* character.
*
* Based on: http://www.jroller.com/holy/entry/truncating_utf_string_to_the
*/
public static String truncateToFitUtf8ByteLength(String s, int maxBytes) {
if (s == null) {
return null;
}
Charset charset = Charset.forName("UTF-8");
CharsetDecoder decoder = charset.newDecoder();
byte[] sba = s.getBytes(charset);
if (sba.length <= maxBytes) {
return s;
}
// Ensure truncation by having byte buffer = maxBytes
ByteBuffer bb = ByteBuffer.wrap(sba, 0, maxBytes);
CharBuffer cb = CharBuffer.allocate(maxBytes);
// Ignore an incomplete character
decoder.onMalformedInput(CodingErrorAction.IGNORE)
decoder.decode(bb, cb, true);
decoder.flush(cb);
return new String(cb.array(), 0, cb.position());
}
UTF-8エンコーディングには、バイトセットのどこにいるかを確認できる優れた特性があります。
必要な文字数制限でストリームを確認してください。
例:ストリームが次の場合:31 33 31 C1 A3 32 33 00、文字列を1、2、3、5、6、または7バイトの長さにすることはできますが、4ではなく、C1の後に0を付けることができます。マルチバイト文字の始まりです。
-new String(data.getBytes( "UTF-8")、0、maxLen、 "UTF-8");を使用できます。
変換せずにバイト数を計算できます。
foreach character in the Java string
if 0 <= character <= 0x7f
count += 1
else if 0x80 <= character <= 0x7ff
count += 2
else if 0x800 <= character <= 0xd7ff // excluding the surrogate area
count += 3
else if 0xdc00 <= character <= 0xffff
count += 3
else { // surrogate, a bit more complicated
count += 4
skip one extra character in the input stream
}
サロゲートペア(D800-DBFFおよびU + DC00–U + DFFF)を検出し、有効なサロゲートペアごとに4バイトをカウントする必要があります。最初の範囲で最初の値を取得し、2番目の範囲で2番目の値を取得した場合は、すべて問題ありません。それらをスキップして4を追加します。ただし、そうでない場合は、無効なサロゲートペアです。 Javaがそれをどのように処理するかはわかりませんが、その(ありそうもない)場合、アルゴリズムは正しくカウントする必要があります。