Question

我需要获取文本变量的第一个字符。我通过以下简单方法之一实现了这一目标：

string.sub(someText,1,1)

或

someText:sub(1,1)

如果我执行以下操作，我希望将'ñ'作为第一个字母。但是，sub方法之一的结果是'Ã'

local someText = 'ñññññññ'
print('Test whole: '..someText) 
print('first char: '..someText:sub(1,1))
print('first char with .sub: '..string.sub(someText,1,1))

以下是控制台的结果：

2014-03-02 09:08:47.959 Corona Simulator[1701:507] Test whole: ñññññññ
2014-03-02 09:08:47.960 Corona Simulator[1701:507] first char: Ã
2014-03-02 09:08:47.960 Corona Simulator[1701:507] first char with .sub: Ã

似乎string.sub()函数正在以UTF-8编码返回的值。我只是尝试使用Corona SDK提供的utf8_decode()函数。它没有成功。模拟器表明该函数预期一个数字，但得到nil。

我还搜索了网络，看看是否有其他人遇到过这个问题。我发现有很多关于Lua，Corona，Unicode和UTF-8的讨论，但我没有遇到任何可以解决这个特定问题的问题。

Answer 1

Lua字符串是8位干净的，这意味着Lua中的字符串是一个字节流。 UTF-8字符ñ有多个字节，但someText:sub(1,1)只返回第一个字节。

对于UTF-8编码，ASCII范围内的所有字符都具有与ASCII相同的表示形式，即小于128的单个字节。对于其他CodePoints，第一个字节为的字节序列在194-244范围内，连续字节在128-191范围内。

因此，您可以使用模式".[\128-\191]*"来匹配单个UTF-8 CodePoint（不是Grapheme）：

for c in "ñññññññ":gmatch(".[\128-\191]*") do -- pretend the first string is in NFC
    print(c)
end

输出：

ñ
ñ
ñ
ñ
ñ
ñ
ñ

Answer 2

关于使用的字符集：只需了解您在自己的代码中加入哪些要求，并确保实际满意。有各种典型的要求：

ASCII兼容（也就是任何字节＆lt; 128表示ASCII字符，所有ASCII字符都表示为自己）
固定大小与可变宽度（可能是自同步）字符集
没有嵌入的0字节

编写代码，以便您无需避免这些要求，并将其记录下来。

匹配单个UTF-8字符：确保UTF-8字符的含义。是字形还是CodePoint？ AFAIK你需要完整的unicode表来进行字形匹配。你真的必须达到这个水平吗？

string.sub与非英文字符的问题

2 个答案: