[Lua]string与中文

参考链接：

https://baike.baidu.com/item/%E5%AD%97%E7%AC%A6%E7%BC%96%E7%A0%81/8446880?fr=aladdin#7

http://www.ruanyifeng.com/blog/2007/10/ascii_unicode_and_utf-8.html

 http://blog.csdn.net/r0ck_y0u/article/details/51883955

 

一.字符编码

字符编码的发展史：ASCII->Unicode->UTF-8

1.ASCII：ASCII码可以表示所有的英语字符(字母、数字、标点符号等)。ASCII码是7位编码(0-127)，但由于计算机基本处理单位为字节(1字节=8位)，所以一个ASCII字符占一个字节。

2.Unicode：因为一个ASCII字符只能表示256个字符，显然是存在着局限的(如不能用来表示中文)。而且不同的语言有不同的字符，为了让世界上所有的字符都有一个唯一的编码值(如果一个编码值对应多个字符，就会出现歧义)，就出现了Unicode码。Unicode码可以容纳100多万个符号，每个符号的编码都不一样。但是Unicode码的缺点是效率不高，比如UCS-4(Unicode的标准之一)规定用4个字节存储一个符号，那么每个英文字母前都必然有三个字节是0，原本只需1个字节现在却用了4个字节，这对存储和传输来说都很耗资源。

3.UTF-8：为了提高Unicode的编码效率，于是就出现了UTF-8编码。UTF-8可以根据不同的符号自动选择编码的长短。在UTF-8中，一个英文占1个字节，一个中文占3个字节。

 

二.string库

相关api：http://cloudwu.github.io/lua53doc/manual.html#pdf-string.sub

在lua中，string库都是针对单字节字符编码的。在UTF-8中，因为英语字符都是单字节字符，所以使用string库处理英语字符是没有问题的；但是中文字符是多字节字符，如果使用string库去处理是不行的。

--UTF-8编码，一个中文占3个字节
local a1 = "你好啊a"

print(string.byte(a1,1,4))--第1到第4个字节
print(string.len(a1))--字节总数
local startIndex, endIndex = string.find(a1, "你好")
print(startIndex .. " " .. endIndex)--第1到第6个字节

print("----------------------------------------------------")
local test = "泰"
local test2 = "法?"

print(string.len(test))
print(string.byte(test,1,10))
print(string.byte(test2,1,10))

--string.gsub的第二个参数为正则表达式，?表示匹配0个至1个
--字节230179176中的230179被替换成989898
local str = string.gsub(test, test2, function()
    print("gsub success!")
    return "bbb"
end)
print(str)
print(string.byte(str,1,10))
print(string.byte("b",1,10))

输出如下：

 

三.中文处理

 先来测试一下中文是怎样匹配的：

--为了方便输出中文，这里使用ANSI编码
--在ANSI编码中，1个中文占2个字节
local test = "泰ab"
local result

print(string.byte(test,1,10))--泰:204169 a:97 b:98
print(type(string.byte(test,1,10)))--数字

--string.gsub 逐字节匹配
print("1.")
result = string.gsub(test, "[204169]", "c")
print(result)--[204169]:2,0,4,1,6,9的集合，因此匹配失败

print("2.")
result = string.gsub(test, "[\204169]", "c")
print(result)
print(string.byte(result,1,10))--第1个字节204匹配成功
print(string.byte("゛",1,10))--c:99 ゛:16997 b:98

print("3.")
result = string.gsub(test, "[\204\169]", "c")
print(result)--匹配成功2次

print("4.")
result = string.gsub(test, "[\204][\169]", "c")
print(result)--匹配成功1次，将原字符串中的中文替换了

输出如下：

 

UTF8的编码规则：

1.字符的第一个字节范围：(0-127)、(194-244)

2.字符的第二个字节及以后范围(针对多字节编码，如汉字)：(128-191)

3.(192，193和245-255)不会出现在UTF8编码中 

根据以上规则就可以得出处理中文的方法了：

--获取字符数
function GetWordCount(str)
    local _,count = string.gsub(str, "[^\128-\193]", "")
    return count
end

--将字符串转为table
function GetWordTable(str)
    local temp = {}
    for uchar in string.gmatch(str, "[%z\1-\127\194-\244][\128-\191]*") do
        temp[#temp+1] = uchar
    end
    return temp
end

--utf8
local test = "泰ab好了."

print(GetWordCount(test))
local testT = GetWordTable(test) --%z:匹配0 *:表示0个至任意多个
for i=1,#testT do
    print(testT[i])
end

 

四.敏感字处理

敏感字的处理主要体现在取名、聊天上，如果字符串中含有敏感字，则需要将其替换成“*”。一开始我使用的string.gsub方法，但是发现敏感字中有不少是带有特殊符号，从而使整个字符串变成了一个正则表达式了，发生了正则匹配的错误，而正确的做法应该是直接跟敏感字进行对比。后来采用的是string.find方法，因为它可以关闭正则匹配。

local sensitiveWordConfig = {"法?"};

function GetWordCount(str)
    local _, count = string.gsub(str, "[^\128-\193]", "")
    return count;
end

--内部接口：将字符串中的敏感字替换成*(替换一个)
function ReplaceSensitiveWord(originStr, sensitiveWord)
    local resultStr = originStr;
    --1:从索引1开始搜索 true:关闭模式匹配
    local startIndex, endIndex = string.find(originStr, sensitiveWord, 1, true);
    if (startIndex and endIndex) then
        local strLen = string.len(originStr);
        local maskWordCount = GetWordCount(sensitiveWord);
        local maskWord = "";
        for i=1,maskWordCount do
            maskWord = maskWord .. "*";
        end
        -- print(string.format("startIndex: %d endIndex: %d", startIndex, endIndex));
        -- print(string.format("strLen: %s maskWord: %s", strLen, maskWord));

        if (startIndex == 1) then
            resultStr = maskWord .. string.sub(originStr, endIndex + 1, -1);
        elseif (endIndex == strLen) then
            resultStr = string.sub(originStr, 1, startIndex - 1) .. maskWord;
        else
            local str = string.sub(originStr, 1,startIndex - 1);
            local str2 = string.sub(originStr, endIndex + 1, -1);
            resultStr = str .. maskWord .. str2;
        end
    end
    return resultStr;
end

--内部接口：将字符串中的敏感字替换成*(替换所有)
function ReplaceSensitiveWordAll(originStr, sensitiveWord)
    local str = originStr;
    local str2 = ReplaceSensitiveWord(originStr, sensitiveWord);
    while (str ~= str2) do
        str = str2;
        str2 = ReplaceSensitiveWord(str2, sensitiveWord);
    end
    return str2;
end

--内部接口：是否有该敏感字
function HasSensitiveWord(originStr, sensitiveWord)
    local startIndex, endIndex = string.find(originStr, sensitiveWord, 1, true);
    if (startIndex and endIndex) then
        -- print("敏感字：" .. sensitiveWord);
        return true;
    else
        return false;
    end
end

--外部接口：敏感字替换
function ReplaceMaskWord(content)
    for k,v in pairs(sensitiveWordConfig) do
        content = ReplaceSensitiveWordAll(content, v);
    end
    return content;
end

--外部接口：是否有敏感字
function HasMaskWord(content)
    for k,v in pairs(sensitiveWordConfig) do
        if (HasSensitiveWord(content, v)) then
            return true;
        end
    end
    return false;
end

print(ReplaceSensitiveWord("法?123法?", "法?"));
print(ReplaceSensitiveWordAll("法?123法?", "法?"));
print(HasSensitiveWord("12中法?3文", "法?"));
print(ReplaceMaskWord("1法?法?2"));
print(HasMaskWord("1法?法?2"));