如何将二进制Erlang字符串的数据视为UTF8字符进行拆分?
假设我们有一个二进制文件,它应该分为两部分,第一部分应该包含前两个UTF8字符。以下是几个例子:<<"ąčęė">>
应成为[<<"ąč">>, <<"ęė">>]
<<"あぁぅうぁ">>
应变为[<<"あぁ">>, <<"ぅうぁ">>]
要将utf-8编码的二进制字符串分为两部分,第一部分包含前两个字符,第二部分包含其余字符,可以使用以下函数:
split_2(<<One/utf8,Two/utf8,Rest/binary>>) ->
%% One and Two are now the unicode codepoints of the first 2 characters.
[<<One/utf8,Two/utf8>>,Rest].
将二进制与utf8进行匹配将提取第一个utf8编码的字符,并将unicode代码点作为整数返回,这就是为什么我们必须构建前两个字符的二进制结果。如果二进制文件中没有2个utf-8编码字符,此函数将失败。
比特串和二进制之间的区别在于,二进制的大小必须是8比特的倍数,而比特串可以是任何大小。
尽管我不清楚,但我认为这会成功:
Eshell V6.2 (abort with ^G)
1> Input = <<"ąčęė">>.
<<"ąčęė">>
2> L = [X || <<X:2/binary>> <= Input].
[<<"ąč">>,<<"ęė">>]
3>
更新:此更新将其拆分为S, TheRest
:
%% S is the number of characters you want
split_it(S, Bin) when S > 0 ->
case Bin of
<<P:S/binary, R/binary>> -> [P | split_it(infinity, R)];
<<>> -> [];
_ -> [Bin]
end.
恰好需要这样的函数。这就是我最终得到的:
trunc_utf8(Utf8s, Count) ->
trunc_utf8(Utf8s, Count, <<>>).
trunc_utf8(<<>>, _Count, Acc) -> Acc;
trunc_utf8(_Utf8s, 0, Acc) -> Acc;
trunc_utf8(<<H/utf8, T/binary>> = _Utf8s, Count, Acc) ->
trunc_utf8(T, Count - 1, <<Acc/binary, H/utf8>>).