JavaScript 计算中文字符长度与字节数的多种实现方案

JavaScript 中文字符长度计算基础

在 JavaScript 中，所有字符串均为 string 对象，可通过其 length 属性获取长度。然而，无论是中文字符、全角符号还是英文字符，其最小长度单位均被视为 1。这与 PHP 中的 strlen() 函数行为不同，后者能根据编码区分字节长度。

 
function strlen(str) {
var s = 0;
for(var i = 0; i < str.length; i++) {
if(str.charAt(i).match(/[u0391-uFFE5]/)) {
s += 2;
} else {
s++;
} 
} 
return s;
} 

该函数通过遍历字符串，利用正则表达式匹配全角字符和汉字。若匹配成功，则计为 2 个字符长度；否则计为 1 个字符长度。

 
<script>
alert (fucCheckLength("中国a"));
function fucCheckLength(strTemp)
{ 
var i,sum;
sum=0;
for(i=0;i<strTemp.length;i++)
{ 
if ((strTemp.charCodeAt(i)>=0) && (strTemp.charCodeAt(i)<=255))
sum=sum+1;
else
sum=sum+2;
} 
return sum;
} 
</script>

执行上述代码将返回结果 5。这里需要注意字符长度与字节长度的区别。字节长度取决于具体的字符编码方式。例如字符串"中国a"，在 GBK 或 GB2312 编码下占用 5 个字节；而在 UTF-8 编码下，通常一个汉字占用 3 个字节，总长度则为 7 个字节。

UTF-8 与 GBK 编码下的字节差异

我们可以尝试将所有字符转换为 GBK 编码后再进行操作，具体实例如下：

 
function Utf8ToUnicode(strUtf8)
{ 
var bstr = "";
var nTotalChars = strUtf8.length; // total chars to be processed.
var nOffset = 0; // processing point on strUtf8
var nRemainingBytes = nTotalChars; // how many bytes left to be converted
var nOutputPosition = 0;
var iCode, iCode1, iCode2; // the value of the unicode.
while (nOffset < nTotalChars)
{ 
iCode = strUtf8.charCodeAt(nOffset);
if ((iCode & 0x80) == 0) // 1 byte.
{ 
if ( nRemainingBytes < 1 ) // not enough data
break;
bstr += String.fromCharCode(iCode & 0x7F);
nOffset ++;
nRemainingBytes -= 1;
} 
else if ((iCode & 0xE0) == 0xC0) // 2 bytes
{ 
iCode1 = strUtf8.charCodeAt(nOffset + 1);
if ( nRemainingBytes < 2 || // not enough data
(iCode1 & 0xC0) != 0x80 ) // invalid pattern
{ 
break;
} 
bstr += String.fromCharCode(((iCode & 0x3F) << 6) | ( iCode1 & 0x3F));
nOffset += 2;
nRemainingBytes -= 2;
} 
else if ((iCode & 0xF0) == 0xE0) // 3 bytes
{ 
iCode1 = strUtf8.charCodeAt(nOffset + 1);
iCode2 = strUtf8.charCodeAt(nOffset + 2);
if ( nRemainingBytes < 3 || // not enough data
(iCode1 & 0xC0) != 0x80 || // invalid pattern
(iCode2 & 0xC0) != 0x80 )
{ 
break;
} 
bstr += String.fromCharCode(((iCode & 0x0F) << 12) |
((iCode1 & 0x3F) << 6) |
(iCode2 & 0x3F));
nOffset += 3;
nRemainingBytes -= 3;
} 
else // 4 or more bytes -- unsupported
break;
} 
if (nRemainingBytes != 0)
{ 
// bad UTF8 string.
return "";
} 
return bstr;
} 

基于正则与编码判断的实现方案

为解决上述问题，本文介绍几种使用 JavaScript 获取中文字符长度的方法。

首先，我们定义一个新的函数 getBytes() 来获取字符串的字节数。在 JavaScript 标准中，该函数并非内置，需手动实现。

 
String.prototype.getBytes = function() {
var cArr = this.match(/[^x00-xff]/ig);
return this.length + (cArr == null ? 0 : cArr.length);
　　} 
function paramCheck(cur){
if(cur.value.getBytes() > 64){
alert("字符超过64个字符");
return false;
　　} 
return true;
　　} 

getBytes 方法利用正则表达式判断字符串中包含非单字节字符（如汉字）的个数，并将这些字符存入数组 cArr。cArr 的长度即为非单字节字符的总数。getBytes 方法返回原始字符串长度加上非单字节字符数，从而得到总的字节长度。

需要注意的是，正则表达式 [^x00-xff] 可能会匹配到某些特殊字符，例如右花括号 } 等。

如果改用 [^u4E00-u9FA5] 来匹配，则无法正确匹配到所有中文字符。

字符串截取与长度处理扩展

以下是另外两种实现方式：

 
function _length(str){
var len=0;
for(var i=0;i<str.length;i++){
if(str.charAt(i)'~'){len+=2;}else{len++;}
} 
return len;
} 

第二种方法：

 
String.prototype.gblen = function() {
var len = 0;
for (var i=0; i<this.length; i++) {
if (this.charCodeAt(i)>127 || this.charCodeAt(i)==94) {
len += 2;
} else {
len ++;
} 
} 
return len;
} 
String.prototype.gbtrim = function(len, s) {
var str = '';
var sp = s || '';
var len2 = 0;
for (var i=0; i<this.length; i++) {
if (this.charCodeAt(i)>127 || this.charCodeAt(i)==94) {
len2 += 2;
} else {
len2 ++;
} 
} 
if (len2 <= len) {
return this;
} 
len2 = 0;
len = (len > sp.length) ? len-sp.length: len;
for (var i=0; i<this.length; i++) {
if (this.charCodeAt(i)>127 || this.charCodeAt(i)==94) {
len2 += 2;
} else {
len2 ++;
} 
if (len2 > len) {
str += sp;
break;
} 
str += this.charAt(i);
} 
return str;
} 
var str1 = '世上最牛的@#%&们 世上最牛的@#%&们';
document.write('str1 = '+ str1 +'
'); 
document.write('length = '+ str1.gblen() +'
'); 
document.write('gbtrim(10) = '+ str1.gbtrim(10) +'
'); 
document.write('gbtrim(10, \'…\') = '+ str1.gbtrim(10, '…') +'
'); 
document.write('gbtrim(12, \'-\' ) = '+ str1.gbtrim(12, '-') +'
'); 
// gbtrim(len 截取长度，按英文字节长度计算， s截取后的省略字符，如"…" )
// 备注： 这里中文字符都是当作两个长度来计算的，所以gbtrim中的len为10时，是显示最多5个汉字的。
// 当汉字数大于5时，由于截取后加上"…"，所以只显示4个汉字。