始終按字符而不是字節(jié)切片字符串，以避免損壞多字節(jié)UTF-8序列。 1。了解UTF-8字符可以是1-4個字節(jié)，因此基於字節(jié)的切片可以拆分字符。 2。避免將字符串視為字節(jié)陣列；使用解碼的Unicode字符串進(jìn)行切片。 3。將字節(jié)解碼為文本，並僅在必要時進(jìn)行編碼。 4。使用Unicode-Aware庫，例如Python的Regex或JavaScript的intl.sementer.sementer。 5。驗(yàn)證或修復(fù)部分字節(jié)序列，如果使用原始字節(jié)。切片不正確會導(dǎo)致亂碼的文字，尤其是在表情符號或國際角色的情況下，因此請始終確保切片與角色邊界保持一致。

當(dāng)使用現(xiàn)代編程中的字符串（尤其是在處理國際文本的Web應(yīng)用程序或系統(tǒng)中）時，很容易忽略字符串切片如何靜靜地?fù)p壞數(shù)據(jù)，尤其是在處理諸如UTF-8中的多字節(jié)字符時。錯誤地切成此類字符串會使字符中後期打破字符，導(dǎo)致亂七八糟的文本，無效的編碼或難以追蹤的微妙錯誤。這是您需要知道的避免這些陷阱的知識。

?了解並非所有字符都是一個字節(jié)

問題的根源在於字符編碼。在ASCII中，每個字符完全採用一個字節(jié)，因此通過字節(jié)索引切片與字符邊界完全一致。但是在UTF-8（當(dāng)今最常見的編碼）中，字符可以採用1到4個字節(jié)：

• ASCII字母（AZ）：1字節(jié)
• 重音字符（é，?）：2–3字節(jié)
• 表情符號（？，？）：4字節(jié)

如果將UTF-8字符串切成一個字節(jié)索引，該字節(jié)索引屬於多字節(jié)字符，則將分開該字符並產(chǎn)生無效或損壞的輸出。

例子：

文字=“你好？”
＃UTF-8字節(jié)：B'Hello \ Xf0 \ X9F \ X98 \ x82'
＃如果您在字節(jié)7中切片：b'hello \ xf0'→無效

將Byte 7切成4個字節(jié)？表情符號，留下一個不完整的字節(jié)序列。解碼時，這可能會導(dǎo)致替換字符（）或?qū)е陆獯a錯誤。

?普通陷阱：將字符串視為字節(jié)陣列

許多語言允許您按索引切片字符串，但是行為取決於索引是指代碼單元，代碼點(diǎn)還是插圖集簇。

有問題的方法：

• 在python中使用字節(jié)索引而不必小心：

   ＃錯誤：該切片由Unicode代碼點(diǎn)，但視覺上截斷
  s =“咖啡館？”
  打?。╯ [：4]）＃'咖啡館' - 好的
  打印（S [：5]）＃'咖啡館？ ' - 好的

  但是，如果您正在使用原始字節(jié)：

   s_bytes =“café？”。
  截斷= s_bytes [：6]＃截斷為6個字節(jié)
  print（truncated.decode（'utf-8'，errors ='replact'））＃'caf' - 損壞！

  “é”是UTF-8（ \xc3\xa9 ）中的2個字節(jié)，因此在字節(jié)6上切片可能將其切成兩半。

• javaScript substring on Emoji：

   “？”。子弦（0，1）; //返回“ \ ud83d”  - 高替代物→無效

  JavaScript使用UTF-16，其中表情符號為兩個“替代”代碼單元。它們之間的切片會產(chǎn)生破碎的字符。

?切片字符串的安全實(shí)踐

為了避免損壞，始終將字符串切成有效字符（代碼點(diǎn)或石墨）邊界，而不是任意字節(jié)或代碼單位位置。

1。使用尊重Unicode的語言功能

在Python中，使用字符串本身（不是RAW字節(jié)）進(jìn)行切片：

 s =“你好？！”
SAFE_SLICE = S [：6]＃'Hello' - 包括空間，避免破壞表情符號

但是更好的是：確保您不要混合字節(jié)和文本操作。

2。提早解碼，遲到

在內(nèi)存中使用解碼的字符串（Unicode）工作，並且在輸出時僅編碼為字節(jié)：

 ＃ 好的
data = get_bytes_from_network（）
text = data.decode（'utf-8'）＃首先解碼
safe_part = text [：10]＃安全切片
結(jié)果= safe_part.encode（'utf-8'）＃僅在需要時編碼

3。使用庫進(jìn)行石墨感切片

有些字符是譜系簇- 視覺上是由多個′點(diǎn)製成的（例如，“é”為e或flags？）。

使用庫，例如：

• Python： unicodedata或regex模塊（素描支持\X ）
• JavaScript： Intl.Segmenter ，或諸如grapheme-splitter之類的庫

python中的示例與regex ：

導(dǎo)入正則

文字=“你好??！”
＃分成圖形
塊= regex.findall（r'\ x'，文本）
safe_slice =''.join（塊[：6]）＃安全包括整個表情符號/旗幟

4。切片後進(jìn)行驗(yàn)證

如果您必須使用字節(jié)切片（例如，流數(shù)據(jù)），請驗(yàn)證UTF-8完整性：

 def safe_decode（b：bytes） - > str：
    嘗試：
        返回b.decode（'utf-8'）
    除了Unicodedecodeerror：
        ＃嘗試找到UTF-8序列的最後有效開始
        對於我的範(fàn)圍（len（b）-1，-1，-1）：
            嘗試：
                尾= b [i：]。解碼（'utf-8'）
                head = b [：i] .decode（'utf-8'，errors ='nighore'）
                返回頭尾
            除了Unicodedecodeerror：
                繼續(xù)
        返回b.decode（'utf-8'，errors ='替換'）

關(guān)鍵要點(diǎn)

• 永遠(yuǎn)不要假設(shè)一個字符=一個字節(jié)。
• 除非您正確處理邊界，否則請避免切片RAW UTF-8字節(jié)。
• 早期解碼為Unicode字符串，並在字符串域中切片。
• 對於UI/文本顯示，請考慮Gruseme簇，而不僅僅是代碼點(diǎn)。
• 處理部分字節(jié)序列時驗(yàn)證或修復(fù)UTF-8。

通過不正確的切片損壞字符串似乎很少，但是它以截斷的日誌消息，生成預(yù)覽或處理用戶輸入（尤其是來自全局用戶的處理）出現(xiàn)。謹(jǐn)慎處理文本，並尊重UTF-8邊界。

基本上：切片字符，而不是字節(jié)。

以上是避免損壞的數(shù)據(jù)：切片多字節(jié)字符串的陷阱不正確的詳細(xì)內(nèi)容。更多資訊請關(guān)注PHP中文網(wǎng)其他相關(guān)文章！