arrays - 使用字素与分割的 UTF-8 字符串数组

Question

使用 graphemes 相对于 split 从 UTF-8 字符串创建数组是否有优势？

例如，请考虑以下内容:

# Define a UTF-8 string with a bunch of multibyte characters
s = "{(-n↑⍵÷⊃⊖⍵),⍨⍉1↓⍉∘.=⍨⍳n←1-⍨≢⍵}"

# Create an array using split
split(s, "")

# Create an array using graphemes (v0.4+)
collect(graphemes(s))

两种方法都会产生预期的输出。事实上，

split(s, "") == collect(graphemes(s))

返回true。

这两种方法似乎始终产生相同的结果。无论是在性能、风格还是其他方面，一种方法通常优于另一种方法吗？

(请注意，graphemes 返回一个迭代器而不是数组，因此是 collect。)

Answer 1

取决于您要寻找的内容。 graphemes() 将返回用户认为是单个字符的内容，即使它们可能包含多个代码点；例如，字母与重音符号组合是一个单独的字素。 split() 的情况并非如此。

考虑 + ◌́ 。在此示例中，split() 将返回两个代码点作为单独的字符，而 graphemes() 将返回单个字符。