python截取中文字符串

python的中文处理还是比较麻烦的，utf-8的字符串的长度是1-6个字符，一不小心就会从中截断，出现所谓的乱码。下面这个函数提供了，从一段utf-8编码的字符串中，截取固定长度的字串。ord(char)将字符转换称整数，根据utf-8的编码规则，确定每个utf-8的字占用几个字符，从而避免截断的情况。
参数：
  string  ：utf-8字符串，如果是别的字符编码，请先转换成utf-8（推荐所有字符串和文件都用utf-8格式的）
  length ：字符数（注意不是中文字的个数）

题外话：
python的字符编码，有几个函数unicode(str,'charset'),str.decode('charset'),str.encode('charset')。
举个例子，你要将gb2312转为gbk，如下
str = unicode(str,'gb2312') #转为unicode
str.encode('gbk')                #转为gbk

实际上，linux系统中，你可以使用iconv -f gb2312 -t gbk sourcefile > targetfile来进行转换。

 

def subString(string,length):
    if length >= len(string):
    return string
    result = ''
    i = 0
    p = 0
    while True:
    ch = ord(string[i])
    #1111110x
    if ch >= 252:
        p = p + 6
    #111110xx
    elif ch >= 248:
        p = p + 5
    #11110xxx
    elif ch >= 240:
        p = p + 4
    #1110xxxx
    elif ch >= 224:
        p = p + 3
    #110xxxxx
    elif ch >= 192:
        p = p + 2
    else:
        p = p + 1

    if p >= length:
        break;
    else:
        i = p
    return string[0:i]

 

 

 

后记：

后来，我发现一种更为简单的方法

str = '中国人'

str.decode（'utf-8')[0:1].encode('utf-8')

先转换成unicode，再取子串，然后转换成utf-8