Java多语言字符串处理问题：substring截取乱码如何解决？

你遇到的乱码问题，核心原因有两个：一是Java的String.substring默认按**UTF-16代码单元（即char类型，16位）**截取，而非实际的Unicode字符；二是原字符串可能存在编码错误，导致内部字符数组损坏。以下是具体解决方法：

1. 先确保原字符串编码正确 #

如果字符串来自外部（文件、网络、输入流），必须用正确编码（推荐UTF-8）解析：

// 读取文件示例
String str = new String(Files.readAllBytes(Paths.get("file.txt")), StandardCharsets.UTF_8);

如果是代码里的硬编码字符串，要保证Java文件本身是UTF-8编码，且编译时指定编码参数：

javac -encoding UTF-8 YourClass.java

避免编译器用默认编码（如GBK）解析非英语字面量，导致字符串本身已乱码。

2. 按实际Unicode字符（代码点）截取子串 #

对于包含补充平面字符（如emoji、部分生僻字）的字符串，直接用substring按char索引截取可能切断代理对，产生�乱码。此时需按代码点处理：

方法一：转换为代码点数组后截取

public static String substringByCodePoint(String str, int start, int end) {
    int[] codePoints = str.codePoints().toArray();
    if (start < 0 || end > codePoints.length || start > end) {
        throw new IllegalArgumentException("无效索引范围");
    }
    return new String(codePoints, start, end - start);
}

调用时，传入实际字符的起止数量（比如截取前2个字符"на"）：

String str = "наше";
String result = substringByCodePoint(str, 0, 2);
assertEquals("на", result); // 校验通过

方法二：计算代码点对应的char索引

如果坚持使用substring，可以先通过代码点计算正确的char索引：

String str = "наше";
int startCharIndex = 0;
// 从startCharIndex位置往后数2个实际字符，得到对应的char结束索引
int endCharIndex = Character.offsetByCodePoints(str, startCharIndex, 2);
String result = str.substring(startCharIndex, endCharIndex);
assertEquals("на", result);

针对你的代码修改 #

你的原代码：

String str = str.substring(0, 2);
String result = "";
result += str;
return result;

如果原字符串编码正确，俄语字符每个占1个char，这段代码本应有效。若仍乱码，优先排查原字符串的编码来源。如果需要兼容所有Unicode字符，替换为上述按代码点截取的方法即可。

内容的提问来源于stack exchange，提问作者John_Cena