背景
用户输入的搜索关键词可能是包含中英文、特殊字符混合的字符串,如果长度超长,可能会导致下游服务的报错,需要提前对keyword做截断。
版本一 (只考虑中英文)
bool CutOff(std::string keyword){int query_length = keyword.length();// 空结果直接返回if(keyword == 0){LOG(WARNING) <<"bad query, the length of query is zero";return false;}auto query_max_length=Config::GetMaxKeywordQueryLength()*3;// 超过最大长度截断 注:一个汉字长度为3if (query_length > query_max_length) {const char* query = keyword.c_str();int end = 0;while (end < query_max_length && end < strlen(query)) {int one_word = ((unsigned int)query[end] > 0x80) ? 3 : 1;if (end + one_word <= query_max_length) {end += one_word;} else {break;}}keyword = keyword.substr(0, end);}
}
版本二(考虑所有字符)
上线后发现请求下游rpc服务时会有INTERNAL错误。原因是keyword中可能包含特殊字符,只按照3字节和1字节的方式取有可能出现将一个字符截取一半,出现乱码的情况。
为了覆盖所有的字符类型,需要了解UTF-8的特点。
- UTF-8是一种变长字节编码方式。 对于某一个字符的UTF-8编码,如果只有一个字节则其最高二进制位为0;
- 如果是多字节,其第一个字节从最高位开始,连续的二进制位值为1的个数决定了其编码的位数,其余各字节均以10开头。
- UTF-8最多可用到6个字节。
读取每个字符的时候需要根据其首位字节的大小,确定该字符占用了多少字节,再往后取多少字节。
bool CutOff(std::string keyword) {int query_length = keyword.length();// 空结果直接返回if (query_length == 0) {LOG(WARNING) << "bad query, the length of query is zero";return false;}auto query_max_length = 300;// 超过最大长度,截断if (query_length > query_max_length) {const char* query = search_context->query.c_str();int end = 0;int one_word = 0;while (end < query_max_length && end < strlen(query)) {unsigned char str = (unsigned int)query[end];if (str >= 252) { // 六个字节 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxxone_word = 6;} else if (str >= 248) { // 五个字节 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxxone_word = 5;} else if (str >= 240) { // 四个字节 11110xxx 10xxxxxx 10xxxxxx 10xxxxxxone_word = 4;} else if (str >= 224) { // 三字节 1110xxxx 10xxxxxx 10xxxxxxone_word = 3;} else if (str >= 192) { // 两字节 110xxxxx 10xxxxxxone_word = 2;} else { // 单字节 0xxxxxxxone_word = 1;}if (end + one_word <= query_max_length) {end += one_word;} else {break;}}keyword = keyword.substr(0, end);}
}