对于大多数程序,最好是use UTF-8 internally并在必要时转换为其他编码。但就我而言,我想编写一个 Javascript 解释器,只存储 UTF-16 字符串(或 u16
的数组)要简单得多,因为
我需要单独处理 16 位代码单元(这通常是个坏主意,但 Javascript 需要这样做)。这意味着我需要它来实现
Index<usize>
.我需要存储未配对的代理项,即格式错误的 UTF-16 字符串(因此,ECMAScript 字符串在技术上被定义为
u16
的数组,即 usually 表示 UTF-16 字符串)。有一种编码恰如其分地命名为 WTF-8以 UTF-8 格式存储未配对的代理,但我不想使用这样的东西。
我想拥有通常拥有/借用的类型(如 String
/str
和 CString
/CStr
)以及所有或大多数常用方法。我不想推出自己的字符串类型(如果可以避免的话)。
此外,我的字符串将始终不可变,位于 Rc
之后并从包含指向所有字符串的弱指针的数据结构中引用(实现 string interning )。这可能是相关的:也许拥有 Rc<Utf16Str>
会更好作为字符串类型,其中 Utf16Str
是未调整大小的字符串类型(可以定义为 struct Utf16Str([u16])
)。这将避免在访问字符串时遵循两个指针,但我不知道如何实例化 Rc
使用未调整大小的类型。
鉴于上述要求,仅使用 rust-encoding 非常不方便,因为它处理所有非 UTF-8 编码 as vectors of u8
.
此外,我不确定 using the std library at all 可能对我有帮助。我调查了Utf16Units
它只是一个迭代器,而不是正确的字符串类型。 (另外,我知道 OsString
没有帮助 - 我不在 Windows 上,它甚至没有实现 Index<usize>
)
最佳答案
这里有多个问题,我尽量分开回答:
我想你想要的类型是[u16]
和 Vec<u16>
.
默认字符串类型str
和 String
是围绕 [u8]
的包装器和 Vec<u8>
(技术上不是 str
是原始的,但足够接近)。具有不同类型的要点是保持底层字节在 UTF-8 中格式良好的不变性。
同样,你可以有 Utf16Str
和 Utf16String
围绕 [u16]
的类型和 Vec<u16>
保留 格式良好的 UTF-16 不变量,即没有不成对的代理项。
但是正如您在问题中指出的那样,JavaScript 字符串可以包含不成对的代理项。那是因为 JavaScript 字符串不是严格的 UTF-16,它们实际上是 u16
的任意序列没有额外的不变量。
由于没有要维护的不变量,我认为包装器类型没有那么有用。
rust-encoding 支持基于字节的 UTF-16-LE 和 UTF-16-BE。您可能需要基于 u16
的 UTF-16而不是。
std::str::Utf16Units
确实不是字符串类型。它是由 str::utf16_units()
返回的迭代器将 Rust 字符串转换为 UTF-16(不是 LE 或 BE)的方法。您可以使用 .collect()
在那个迭代器上得到 Vec<u16>
例如。
获得Rc<[u16]>
的唯一安全方式是从Rc<[u16; N]>
胁迫其大小在编译时已知,这显然是不切实际的。我不会推荐不安全的方法:分配内存,向其写入一个标题,希望与 RcBox
的内存表示相匹配。 , 和转化。
如果你打算用原始内存分配来做,最好使用你自己的类型,这样你就可以使用它的私有(private)字段。卷须这样做:https://github.com/servo/tendril/blob/master/src/buf32.rs
或者,如果您愿意承担额外间接费用,Rc<Vec<u16>>
安全且容易得多。
关于string - 是否有 UTF-16 字符串类型的 Rust 库? (用于编写 Javascript 解释器),我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/31685345/