RUST 学习日记第16课 ——字符串的常用方法(二)

RUST 学习日记第16课 ——字符串的常用方法（二）

0x00 回顾与开篇

上节课介绍了Rust的字符串常见的修改方法这节课开始介绍Rust字符串的访问方法。介绍Rust字符串的文章，这已经是第4篇了。后续如果还有时间，我会更加详细的在介绍下字符串的一些其它知识。

0x01 Unicode和UTF-8

在计算机中最常见的编码应该就是ASCII编码了，但是ASCII编码的范围只有0x00_{0x7F，无法存储汉字，少数民族文字等等。从而出现了GB2312，GB18030等各种编码。为了统一字符编码，国际标准化组织制定了通用的多字节编码字符集，也就是**Unicode**字符集。其包含了所有世界上所有的语言和各种字符。其中最常用的范围是0x0000}0xD7FF和0xE000~0x10FFFF。

但是Unicode字符集每个字符都占4个字节，为了节省空间，UTF-8是最简单且高效的一种编码格式。在Rust中String和&str类型都是使用UTF-8编码格式表示文本。UTF-8是以1字节为编码单位的可变长编码，它根据一定规则将码位编码为1~4字节。如下表所示：

UTF-8编码（1~4字节）	码点表示	uNICODE范围
0xxxxxxx	0bxxxxxxx	0x00~0x7f
110xxxxx 10aaaaaa	0bxxxxxaaaaaa	0x80~0x7ff
1110xxxx 10aaaaaa 10bbbbbb	0bxxxaaaaaabbbbbb	0x800~0xffff
11110xxx 10aaaaaa 10bbbbbb 10cccccc	0bxxxaaaaaabbbbbbcccccc	0x10000~0x10ffff

这就很好理解上节所说的汉字占3个字节，而英文字母，阿拉伯数字占1个字节的原因了。

UTF-8编码举例如下：

UTF-8编码（1~4字节）	字符	码点
01100001	a	0b1100001 == 0x61
11000010_10101001	©	0b00010_101001 == 0xa9
11100110_10110001_10001001	汉	0b0110_110001_001001 == 0x6c49
11110000_10011111_10011000_10000011		0b000_011111_011000_000011== 0x1f603

示例代码如下：

println!("***************1、编码*****************");
    let a = "a";
    let b = "©";
    let c = "汉";
    let d = "";

    println!("a 占 {} 个字节", std::mem::size_of_val(a));
    println!("b 占 {} 个字节", std::mem::size_of_val(b));
    println!("c 占 {} 个字节", std::mem::size_of_val(c));
    println!("d 占 {} 个字节", std::mem::size_of_val(d));

    println!("\n***************1、编码(打印二进制)*****************");
    for x in a.bytes() {
        print!("{:08b}_", x);
    }
    println!();
    for x in b.bytes() {
        print!("{:08b}_", x);
    }
    println!();
    for x in c.bytes() {
        print!("{:08b}_", x);
    }
    println!();
    for x in d.bytes() {
        print!("{:08b}_", x);
    }

    println!("\n***************1、编码(打印Unicode)*****************");
    println!("{:X}", 'a' as i32);
    println!("{:X}", '©' as i32);
    println!("{:X}", '汉' as i32);
    println!("{:X}", '' as i32);

代码运行结果：

***************1、编码*****************
a 占 1 个字节
b 占 2 个字节
c 占 3 个字节
d 占 4 个字节

***************1、编码(打印二进制)*****************
01100001_
11000010_10101001_
11100110_10110001_10001001_
11110000_10011111_10011000_10000011_
***************1、编码(打印Unicode)*****************
61
A9
6C49
1F603

编码和解码规则这里就不赘述了，感兴趣的可以搜索下资料。如果留言比较多，我回额外一章讲解下编码解码。

0x02 字符串的访问

在Rust中，字符串的访问要注意以下两个点：

1、由于字符串是UTF-8编码的字节序列，是可变长度编码，所以不能直接使用索引来访问字符。

2、字符串操作分为按字节处理和按字符处理两种方式。使用bytes()方法是按字节处理，返回字节迭代的迭代器。使用chars()方法是按字符处理，返回字符迭代的迭代器。

字符串的长度

如果通过len()方法获取字符串的长度，则返回的是以字节为单位的长度，即字符串中所有字符的总字节数。如果通过chars().count()方法获取的长度则表示字符的长度，通过此方法获取的长度就是咱们嘴上常说的字符串长度啦。

示例代码如下：

let string_length = "我正在学习Rust~";
println!("\"{}\"的字节长度 : {}", string_length, string_length.len());
println!("\"{}\"的字符长度 : {}", string_length, string_length.chars().count());

代码运行结果：

"我正在学习Rust~"的字节长度 : 20
"我正在学习Rust~"的字符长度 : 10

访问字符串元素

由于Rust的字符串是UTF-8编码，所以不允许直接使用索引来访问单个字符元素。那么咱们只能借助迭代器来访问。（有关迭代器的相关知识将在后续章节介绍）bytes()和char()方法分别返回字节和字符迭代器，他们中存在nth方法可以通过索引的形式去访问元素。该方法返回的是Option类型。

示例代码如下：

let string_nth = "Rust编程基础";

// 访问第5个字符
dbg!(string_nth.chars().nth(5));
// 访问第5个字节
dbg!(string_nth.bytes().nth(5));

代码运行结果：

[src\main.rs:45] string_nth.chars().nth(5) = Some(
    '程',
)
[src\main.rs:47] string_nth.bytes().nth(5) = Some(
    188,
)

0x03 小结

花了4篇文章也只是简单介绍了Rust的字符串，要想真正的了解字符串的方法，还需要多练习。其实关于Rust字符串的知识和相关方法还是挺多的，由于篇幅有限，字符串的讲解就暂告一段落了。

0x05 参考资料

Unicode所有区段统一码编码范围 | Unicode符号库 ✏️ (fuhaoku.net)

0x04 本节源码

016 · StudyRust - 码云 - 开源中国 (gitee.com)

下节预告——流程控制。

RUST 学习日记 第16课 ——字符串的常用方法(二)