分割给定字节偏移量的 utf-8 编码字符串 (python 2.7)

Question

有一个像这样的 utf-8 编码字符串：

bar = "hello ｡◕‿‿◕｡"

和一个字节偏移量，告诉我必须在哪个字节分割字符串：

bytes_offset = 9  

如何将条形字符串分割成两部分，结果是：

>>first_part 
'hello ｡' <---- #9 bytes 'hello \xef\xbd\xa1'
>>second_part 
'◕‿‿◕｡'

简而言之 :
给定字节偏移量，如何将其转换为 utf-8 编码字符串的实际字符索引位置？

Answer 1

UTF-8 Python 2.x 字符串基本上是字节字符串。

# -*- coding: utf-8 -*- 

bar = "hello ｡◕‿‿◕｡"
assert(isinstance(bar, str))

first_part = bar[:9]
second_part = bar[9:]
print first_part
print second_part

产量：

hello ｡
◕‿‿◕｡

这里是 OSX 上的 Python 2.6，但我希望 2.7 也有同样的结果。如果我分割为 10 或 11 而不是 9，我会得到 ?字符输出意味着它破坏了多字节字符序列中间的字节序列；对 12 进行分裂将第一个“眼球”移动到字符串的第一部分。

我在终端中将 PYTHONIOENCODING 设置为 utf8。

Answer 2

字符偏移量是字节偏移量之前的字符数：

def byte_to_char_offset(b_string, b_offset, encoding='utf8'):
    return len(b_string[:b_offset].decode(encoding))