[Lua]string与中文

OStack程序员社区-中国程序员成长平台 › 门户 › 编程› LUA›LUA教程

原作者: [db:作者] 来自: [db:来源] 收藏邀请

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。

 1 --UTF-8编码，一个中文占3个字节
 2 local a1 = "你好啊a"
 3 
 4 print(string.byte(a1,1,4))--第1到第4个字节
 5 print(string.len(a1))--字节总数
 6 local startIndex, endIndex = string.find(a1, "你好")
 7 print(startIndex .. " " .. endIndex)--第1到第6个字节
 8 
 9 print("----------------------------------------------------")
10 local test = "泰"
11 local test2 = "法?"
12 
13 print(string.len(test))
14 print(string.byte(test,1,10))
15 print(string.byte(test2,1,10))
16 
17 --string.gsub的第二个参数为正则表达式，?表示匹配0个至1个
18 --字节230179176中的230179被替换成989898
19 local str = string.gsub(test, test2, function()
20     print("gsub success!")
21     return "bbb"
22 end)
23 print(str)
24 print(string.byte(str,1,10))
25 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：

 1 --为了方便输出中文，这里使用ANSI编码
 2 --在ANSI编码中，1个中文占2个字节
 3 local test = "泰ab"
 4 local result
 5 
 6 print(string.byte(test,1,10))--泰:204169 a:97 b:98
 7 print(type(string.byte(test,1,10)))--数字
 8 
 9 --string.gsub 逐字节匹配
10 print("1.")
11 result = string.gsub(test, "[204169]", "c")
12 print(result)--[204169]:2,0,4,1,6,9的集合，因此匹配失败
13 
14 print("2.")
15 result = string.gsub(test, "[\204169]", "c")
16 print(result)
17 print(string.byte(result,1,10))--第1个字节204匹配成功
18 print(string.byte("゛",1,10))--c:99 ゛:16997 b:98
19 
20 print("3.")
21 result = string.gsub(test, "[\204\169]", "c")
22 print(result)--匹配成功2次
23 
24 print("4.")
25 result = string.gsub(test, "[\204][\169]", "c")
26 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：

 1 --获取字符数
 2 function GetWordCount(str)
 3     local _,count = string.gsub(str, "[^\128-\193]", "")
 4     return count
 5 end
 6 
 7 --将字符串转为table
 8 function GetWordTable(str)
 9     local temp = {}
10     for uchar in string.gmatch(str, "[%z\1-\127\194-\244][\128-\191]*") do
11         temp[#temp+1] = uchar
12     end
13     return temp
14 end
15 
16 --utf8
17 local test = "泰ab好了."
18 
19 print(GetWordCount(test))
20 local testT = GetWordTable(test) --%z:匹配0 *:表示0个至任意多个
21 for i=1,#testT do
22     print(testT[i])
23 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。

 1 local sensitiveWordConfig = {"法?"};
 2 
 3 function GetWordCount(str)
 4     local _, count = string.gsub(str, "[^\128-\193]", "")
 5     return count;
 6 end
 7 
 8 --内部接口：将字符串中的敏感字替换成*(替换一个)
 9 function ReplaceSensitiveWord(originStr, sensitiveWord)
10     local resultStr = originStr;
11     --1:从索引1开始搜索 true:关闭模式匹配
12     local startIndex, endIndex = string.find(originStr, sensitiveWord, 1, true);
13     if (startIndex and endIndex) then
14         local strLen = string.len(originStr);
15         local maskWordCount = GetWordCount(sensitiveWord);
16         local maskWord = "";
17         for i=1,maskWordCount do
18             maskWord = maskWord .. "*";
19         end
20         -- print(string.format("startIndex: %d endIndex: %d", startIndex, endIndex));
21         -- print(string.format("strLen: %s maskWord: %s", strLen, maskWord));
22 
23         if (startIndex == 1) then
24             resultStr = maskWord .. string.sub(originStr, endIndex + 1, -1);
25         elseif (endIndex == strLen) then
26             resultStr = string.sub(originStr, 1, startIndex - 1) .. maskWord;
27         else
28             local str = string.sub(originStr, 1,startIndex - 1);
29             local str2 = string.sub(originStr, endIndex + 1, -1);
30             resultStr = str .. maskWord .. str2;
31         end
32     end
33     return resultStr;
34 end
35 
36 --内部接口：将字符串中的敏感字替换成*(替换所有)
37 function ReplaceSensitiveWordAll(originStr, sensitiveWord)
38     local str = originStr;
39     local str2 = ReplaceSensitiveWord(originStr, sensitiveWord);
40     while (str ~= str2) do
41         str = str2;
42         str2 = ReplaceSensitiveWord(str2, sensitiveWord);
43     end
44     return str2;
45 end
46 
47 --内部接口：是否有该敏感字
48 function HasSensitiveWord(originStr, sensitiveWord)
49     local startIndex, endIndex = string.find(originStr, sensitiveWord, 1, true);
50     if (startIndex and endIndex) then
51         -- print("敏感字：" .. sensitiveWord);
52         return true;
53     else
54         return false;
55     end
56 end
57 
58 --外部接口：敏感字替换
59 function ReplaceMaskWord(content)
60     for k,v in pairs(sensitiveWordConfig) do
61         content = ReplaceSensitiveWordAll(content, v);
62     end
63     return content;
64 end
65 
66 --外部接口：是否有敏感字
67 function HasMaskWord(content)
68     for k,v in pairs(sensitiveWordConfig) do
69         if (HasSensitiveWord(content, v)) then
70             return true;
71         end
72     end
73     return false;
74 end
75 
76 print(ReplaceSensitiveWord("法?123法?", "法?"));
77 print(ReplaceSensitiveWordAll("法?123法?", "法?"));
78 print(HasSensitiveWord("12中法?3文", "法?"));
79 print(ReplaceMaskWord("1法?法?2"));
80 print(HasMaskWord("1法?法?2"));