python截取中文字符串

python的中文处理还是比较麻烦的，utf-8的字符串的长度是1-6个字符，一不小心就会从中截断，出现所谓的乱码。下面这个函数提供了，从一段utf-8编码的字符串中，截取固定长度的字串。ord(char)将字符转换称整数，根据utf-8的编码规则，确定每个utf-8的字占用几个字符，从而避免截断的情况。
参数：
  string  ：utf-8字符串，如果是别的字符编码，请先转换成utf-8（推荐所有字符串和文件都用utf-8格式的）
  length ：字符数（注意不是中文字的个数）

题外话：
python的字符编码，有几个函数unicode(str,'charset'),str.decode('charset'),str.encode('charset')。
举个例子，你要将gb2312转为gbk，如下
str = unicode(str,'gb2312') #转为unicode
str.encode('gbk')                #转为gbk

实际上，linux系统中，你可以使用iconv -f gb2312 -t gbk sourcefile > targetfile来进行转换。

1. def subString(string,length):
2. if length >= len(string):
3. return string
4. result = ''
5. i = 0
6. p = 0
7. while True:
8. ch = ord(string[i])
9. #1111110x
10. if ch >= 252:
11. p = p + 6
12. #111110xx
13. elif ch >= 248:
14. p = p + 5
15. #11110xxx
16. elif ch >= 240:
17. p = p + 4
18. #1110xxxx
19. elif ch >= 224:
20. p = p + 3
21. #110xxxxx
22. elif ch >= 192:
23. p = p + 2
24. else:
25. p = p + 1
26. if p >= length:
27. break;
28. else:
29. i = p
30. return string[0:i]

后记：

后来，我发现一种更为简单的方法

str = '中国人'

str.decode（'utf-8')[0:1].encode('utf-8')

先转换成unicode，再取子串，然后转换成utf-8