截断字符串时意外拆分 unicode 字符

Question

我正在将一些来自第三方的字符串保存到我的数据库 (postgres) 中。有时这些字符串太长，需要截断以适合我表中的列。

在某些随机情况下，我不小心在有 Unicode 字符的地方截断了字符串，这给了我一个无法保存到数据库中的“损坏”字符串。我收到以下错误：Unable to translate Unicode character \uD83D at index XXX to specified code page。

我创建了一个最小的示例来向您展示我的意思。在这里，我有一个包含 Unicode 字符的字符串（“小蓝钻”???? U+1F539）。根据我截断的位置，它是否会给我一个有效的字符串。

var myString = @"This is a string before an emoji:???? This is after the emoji.";

var brokenString = myString.Substring(0, 34);
// Gives: "This is a string before an emoji:☐"

var test3 = myString.Substring(0, 35);
// Gives: "This is a string before an emoji:????"

有没有办法让我在不意外破坏任何 Unicode 字符的情况下截断字符串？

Answer 1

一个 Unicode 字符可能用多个chars 表示，这就是您遇到的string.Substring 的问题。

您可以将string 转换为StringInfo 对象，然后使用SubstringByTextElements() method 根据Unicode 字符数而不是char 数来获取子字符串。

查看C# demo：

Console.WriteLine("?".Length); // => 2
Console.WriteLine(new StringInfo("?").LengthInTextElements); // => 1

var myString = @"This is a string before an emoji:?This is after the emoji.";
var teMyString = new StringInfo(myString);
Console.WriteLine(teMyString.SubstringByTextElements(0, 33));
// => "This is a string before an emoji:"
Console.WriteLine(teMyString.SubstringByTextElements(0, 34));
// => This is a string before an emoji:?
Console.WriteLine(teMyString.SubstringByTextElements(0, 35));
// => This is a string before an emoji:?T

Answer 2

我最终使用了 xanatos 答案 here 的修改。不同的是这个版本会去掉最后一个字形，如果添加它会得到一个比length更长的字符串。

    public static string UnicodeSafeSubstring(this string str, int startIndex, int length)
    {
        if (str == null)
        {
            throw new ArgumentNullException(nameof(str));
        }

        if (startIndex < 0 || startIndex > str.Length)
        {
            throw new ArgumentOutOfRangeException(nameof(startIndex));
        }

        if (length < 0)
        {
            throw new ArgumentOutOfRangeException(nameof(length));
        }

        if (startIndex + length > str.Length)
        {
            throw new ArgumentOutOfRangeException(nameof(length));
        }

        if (length == 0)
        {
            return string.Empty;
        }

        var stringBuilder = new StringBuilder(length);

        var enumerator = StringInfo.GetTextElementEnumerator(str, startIndex);

        while (enumerator.MoveNext())
        {
            var grapheme = enumerator.GetTextElement();
            startIndex += grapheme.Length;

            if (startIndex > str.Length)
            {
                break;
            }

            // Skip initial Low Surrogates/Combining Marks
            if (stringBuilder.Length == 0)
            {
                if (char.IsLowSurrogate(grapheme[0]))
                {
                    continue;
                }

                var cat = char.GetUnicodeCategory(grapheme, 0);

                if (cat == UnicodeCategory.NonSpacingMark || cat == UnicodeCategory.SpacingCombiningMark || cat == UnicodeCategory.EnclosingMark)
                {
                    continue;
                }
            }

            // Do not append the grapheme if the resulting string would be longer than the required length
            if (stringBuilder.Length + grapheme.Length <= length)
            {
                stringBuilder.Append(grapheme);
            }

            if (stringBuilder.Length >= length)
            {
                break;
            }
        }

        return stringBuilder.ToString();
    }
}

Answer 3

以下是截断 (startIndex = 0) 的示例：

string truncatedStr = (str.Length > maxLength)
    ? str.Substring(0, maxLength - (char.IsLowSurrogate(str[maxLength]) ? 1 : 0))
    : str;

Answer 4

通过字节数而不是字符串长度更好地截断

   public static string TruncateByBytes(this string text, int maxBytes)
    {
        if (string.IsNullOrEmpty(text) || Encoding.UTF8.GetByteCount(text) <= maxBytes)
        {
            return text;
        }
        var enumerator = StringInfo.GetTextElementEnumerator(text);
        var newStr = string.Empty;
        do
        {
            enumerator.MoveNext();
            if (Encoding.UTF8.GetByteCount(newStr + enumerator.Current) <= maxBytes)
            {
                newStr += enumerator.Current;
            }
            else
            {
                break;
            }
        } while (true);
        return newStr;
    }