根据字节偏移拆分utf-8编码字符串（python 2.7）

Question

假设你有一个用utf-8编码的字符串，像这样：

bar = "hello ｡◕‿‿◕｡"

还有一个字节偏移量，它告诉我应该在哪个字节处拆分这个字符串：

bytes_offset = 9  

我该如何把这个字符串分成两部分，最终得到：

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

简单来说:
给定一个字节偏移量，我该如何把它转换成utf-8编码字符串中的实际字符索引位置呢？

Answer 1

字符偏移量是指在字节偏移量之前的字符数量：

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

Answer 2

在Python 2.x中，UTF-8编码的字符串其实就是字节字符串。

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

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

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

输出结果是：

hello ｡
◕‿‿◕｡

我在OSX上使用的是Python 2.6，但我想2.7的情况也差不多。如果我在10或11的位置进行分割，输出就会出现问号字符，这意味着在多字节字符的字节序列中间被打断了；而在12的位置分割，则会把第一个“眼球”移到字符串的开头部分。

我在终端中把PYTHONIOENCODING设置成了utf8。