# 使用字符串存储 UTF-8 编码的文本

我们在第 4 章中讨论过字符串,但现在我们将更深入地研究它们。 新 Rust 使用者通常会因为三个原因而在字符串上遇到困难:Rust 倾向于暴露可能的错误,字符串是比许多程序员认为的更复杂的数据结构,以及 UTF-8。这些因素结合在一起,当你从其他编程语言转过来时,可能会感到困难。

我们在集合的上下文中讨论字符串,因为字符串是作为字节集合实现的,加上一些方法,当这些字节被解释为文本时提供有用的功能。在本节中,我们将讨论String拥有的每种集合类型都有的操作,例如创建、更新和读取。我们还将讨论String与其他集合不同的方式,即如何索引到String中因人与计算机解释String数据的差异而变得复杂。

# 什么是字符串?

我们首先定义我们所说的字符串是什么。Rust 在核心语言中只有一种字符串类型,即字符串切片str,通常以其借用形式&str出现。在第 4 章中,我们讨论了字符串切片,它们是对存储在其他地方的一些 UTF-8 编码字符串数据的引用。例如,字符串字面值存储在程序的二进制文件中,因此它们是字符串切片。

String类型由 Rust 的标准库提供,而不是编码到核心语言中,它是一种可增长的、可变的、拥有所有权的、UTF-8 编码的字符串类型。当 Rustaceans 在 Rust 中提到"字符串"时,他们可能指的是String或字符串切片&str类型,而不仅仅是其中一种类型。尽管本节主要讨论String,但这两种类型在 Rust 的标准库中都被大量使用,并且String和字符串切片都是 UTF-8 编码的。

# 创建新字符串

Vec<T>可用的许多操作也可用于String,因为String实际上是作为带有一些额外保证、限制和功能的字节向量的包装器实现的。一个与Vec<T>String工作方式相同的函数示例是new函数,用于创建实例,如示例 8-11 所示。

fn main() {
    let mut s = String::new();
}

示例 8-11 创建一个新的空String

这行代码创建了一个名为s的新的空字符串,我们可以向其中加载数据。通常,我们会有一些初始数据,希望用它来开始字符串。为此,我们使用to_string方法,该方法可用于任何实现Display特性的类型,如字符串字面值。示例 8-12 展示了两个例子。

fn main() {
    let data = "initial contents";

    let s = data.to_string();

    // the method also works on a literal directly:
    let s = "initial contents".to_string();
}

示例 8-12 使用to_string方法从字符串字面值创建String

这段代码创建了一个包含initial contents的字符串。

我们也可以使用函数String::from从字符串字面值创建String。示例 8-13 中的代码等同于使用to_string的示例 8-12 中的代码。

fn main() {
    let s = String::from("initial contents");
}

示例 8-13 使用String::from函数从字符串字面值创建String

因为字符串用于很多事情,我们可以为字符串使用许多不同的通用 API,为我们提供了很多选择。其中一些可能看起来是多余的,但它们都有自己的位置!在这种情况下,String::fromto_string做同样的事情,所以选择哪一个是风格和可读性的问题。

记住,字符串是 UTF-8 编码的,所以我们可以在其中包含任何正确编码的数据,如示例 8-14 所示。

fn main() {
    let hello = String::from("السلام عليكم");
    let hello = String::from("Dobrý den");
    let hello = String::from("Hello");
    let hello = String::from("שלום");
    let hello = String::from("नमस्ते");
    let hello = String::from("こんにちは");
    let hello = String::from("안녕하세요");
    let hello = String::from("你好");
    let hello = String::from("Olá");
    let hello = String::from("Здравствуйте");
    let hello = String::from("Hola");
}

示例 8-14 在字符串中存储不同语言的问候语

所有这些都是有效的String值。

# 更新字符串

String可以增长大小,其内容可以改变,就像Vec<T>的内容一样,如果你向其中推入更多数据。此外,你可以方便地使用+运算符或format!宏来连接String值。

# 使用push_strpush附加到字符串

我们可以使用push_str方法来增长String,附加一个字符串切片,如示例 8-15 所示。

fn main() {
    let mut s = String::from("foo");
    s.push_str("bar");
}

示例 8-15 使用push_str方法将字符串切片附加到String

在这两行之后,s将包含foobarpush_str方法接受一个字符串切片,因为我们不一定想要获取参数的所有权。例如,在示例 8-16 的代码中,我们希望在将s2的内容附加到s1之后仍然能够使用s2

fn main() {
    let mut s1 = String::from("foo");
    let s2 = "bar";
    s1.push_str(s2);
    println!("s2 is {s2}");
}

示例 8-16 在将字符串切片的内容附加到String后使用该字符串切片

如果push_str方法获取了s2的所有权,我们就不能在最后一行打印其值。然而,这段代码按我们预期的方式工作!

push方法接受一个字符作为参数,并将其添加到String中。示例 8-17 使用push方法将字母l添加到String中。

fn main() {
    let mut s = String::from("lo");
    s.push('l');
}

示例 8-17 使用pushString值添加一个字符

结果,s将包含lol

# 使用+运算符或format!宏进行连接

通常,你会想要组合两个现有的字符串。一种方法是使用+运算符,如示例 8-18 所示。

fn main() {
    let s1 = String::from("Hello, ");
    let s2 = String::from("world!");
    let s3 = s1 + &s2; // 注意s1已经被移动,不能再使用
}

示例 8-18 使用+运算符将两个String值组合成一个新的String

字符串s3将包含Hello, world!s1在加法之后不再有效,以及我们使用s2的引用的原因,与我们使用+运算符时调用的方法的签名有关。+运算符使用add方法,其签名看起来像这样:

fn add(self, s: &str) -> String {
    // --snip--
}

在标准库中,你会看到使用泛型和关联类型定义的add。这里,我们用具体类型替换,这是我们用String值调用此方法时发生的情况。我们将在第 10 章讨论泛型。这个签名给了我们理解+运算符棘手部分所需的线索。

首先,s2有一个&,意味着我们将第二个字符串的引用添加到第一个字符串。这是因为add函数中的s参数:我们只能将&str添加到String;我们不能将两个String值相加。但等等——&s2的类型是&String,不是&str,如add的第二个参数所指定的。那么为什么示例 8-18 能编译呢?

我们能够在调用add时使用&s2的原因是编译器可以将&String参数强制转换&str。当我们调用add方法时,Rust 使用解引用强制转换,这里将&s2变成&s2[..]。我们将在第 15 章更深入地讨论解引用强制转换。因为add不获取s参数的所有权,s2在此操作后仍然是有效的String

其次,我们可以在签名中看到add获取self的所有权,因为self没有&。这意味着示例 8-18 中的s1将被移动到add调用中,之后将不再有效。所以,尽管let s3 = s1 + &s2;看起来像是会复制两个字符串并创建一个新的字符串,但这个语句实际上获取了s1的所有权,附加了s2内容的副本,然后返回结果的所有权。换句话说,它看起来像是在做很多复制,但实际上并没有;实现比复制更高效。

如果我们需要连接多个字符串,+运算符的行为会变得笨拙:

fn main() {
    let s1 = String::from("tic");
    let s2 = String::from("tac");
    let s3 = String::from("toe");

    let s = s1 + "-" + &s2 + "-" + &s3;
}

此时,s将是tic-tac-toe。随着所有的+"字符,很难看清发生了什么。对于更复杂的字符串组合,我们可以使用format!宏:

fn main() {
    let s1 = String::from("tic");
    let s2 = String::from("tac");
    let s3 = String::from("toe");

    let s = format!("{s1}-{s2}-{s3}");
}

这段代码也将s设置为tic-tac-toeformat!宏的工作方式类似于println!,但不是将输出打印到屏幕,而是返回一个包含内容的String。使用format!的代码版本更容易阅读,并且format!宏生成的代码使用引用,所以这个调用不会获取任何参数的所有权。

# 索引到字符串

在许多其他编程语言中,通过索引引用字符串中的单个字符是有效且常见的操作。然而,如果你尝试在 Rust 中使用索引语法访问String的部分,你会得到一个错误。考虑示例 8-19 中的无效代码。

fn main() {
    let s1 = String::from("hello");
    let h = s1[0];
}

示例 8-19 尝试对 String 使用索引语法

这段代码将导致以下错误:

$ cargo run
   Compiling collections v0.1.0 (file:///projects/collections)
error[E0277]: the type `str` cannot be indexed by `{integer}`
 --> src/main.rs:3:16
  |
3 |     let h = s1[0];
  |                ^ string indices are ranges of `usize`
  |
  = help: the trait `SliceIndex<str>` is not implemented for `{integer}`, which is required by `String: Index<_>`
  = note: you can use `.chars().nth()` or `.bytes().nth()`
          for more information, see chapter 8 in The Book: <https://doc.rust-lang.org/book/ch08-02-strings.html#indexing-into-strings>
  = help: the trait `SliceIndex<[_]>` is implemented for `usize`
  = help: for that trait implementation, expected `[_]`, found `str`
  = note: required for `String` to implement `Index<{integer}>`

For more information about this error, try `rustc --explain E0277`.
error: could not compile `collections` (bin "collections") due to 1 previous error

错误和注释讲述了故事:Rust 字符串不支持索引。但为什么不呢?要回答这个问题,我们需要讨论 Rust 如何在内存中存储字符串。

# 内部表示

StringVec<u8>的包装器。让我们看看示例 8-14 中一些正确编码的 UTF-8 示例字符串。首先,这个:

fn main() {
    let hello = String::from("السلام عليكم");
    let hello = String::from("Dobrý den");
    let hello = String::from("Hello");
    let hello = String::from("שלום");
    let hello = String::from("नमस्ते");
    let hello = String::from("こんにちは");
    let hello = String::from("안녕하세요");
    let hello = String::from("你好");
    let hello = String::from("Olá");
    let hello = String::from("Здравствуйте");
    let hello = String::from("Hola");
}

在这种情况下,len将是4,这意味着存储字符串"Hola"的向量长度为 4 个字节。这些字母中的每一个在 UTF-8 编码中都占用一个字节。然而,下面这行可能会让你感到惊讶(注意这个字符串以大写的西里尔字母Ze开头,而不是数字 3):

fn main() {
    let hello = String::from("السلام عليكم");
    let hello = String::from("Dobrý den");
    let hello = String::from("Hello");
    let hello = String::from("שלום");
    let hello = String::from("नमस्ते");
    let hello = String::from("こんにちは");
    let hello = String::from("안녕하세요");
    let hello = String::from("你好");
    let hello = String::from("Olá");
    let hello = String::from("Здравствуйте");
    let hello = String::from("Hola");
}

如果有人问你这个字符串有多长,你可能会说 12。事实上,Rust 的答案是 24:这是在 UTF-8 中编码"Здравствуйте"所需的字节数,因为该字符串中的每个 Unicode 标量值占用 2 个字节的存储空间。因此,字符串字节的索引并不总是与有效的 Unicode 标量值相关。为了演示,考虑这个无效的 Rust 代码:

let hello = "Здравствуйте";
let answer = &hello[0];

你已经知道answer不会是З,即第一个字母。当在 UTF-8 中编码时,З的第一个字节是208,第二个是151,所以看起来answer实际上应该是208,但208本身不是一个有效的字符。返回208可能不是用户在请求这个字符串的第一个字母时想要的;然而,这是 Rust 在字节索引 0 处唯一拥有的数据。用户通常不希望返回字节值,即使字符串只包含拉丁字母:如果&"hi"[0]是有效的代码并返回字节值,它将返回104,而不是h

因此,答案是,为了避免返回意外值并导致可能不会立即被发现的错误,Rust 根本不编译这段代码,并在开发过程的早期防止误解。

# 字节、标量值和字形簇!天啊!

关于 UTF-8 的另一点是,从 Rust 的角度看,实际上有三种相关的方式来看待字符串:作为字节、标量值和字形簇(最接近我们所说的字母的东西)。

如果我们看用梵文写的印地语单词"नमस्ते",它存储为u8值的向量,看起来像这样:

[224, 164, 168, 224, 164, 174, 224, 164, 184, 224, 165, 141, 224, 164, 164,
224, 165, 135]

这是 18 个字节,计算机最终就是这样存储这些数据的。如果我们将它们看作 Unicode 标量值,即 Rust 的char类型,那些字节看起来像这样:

['न', 'म', 'स', '्', 'त', 'े']

这里有六个char值,但第四个和第六个不是字母:它们是单独没有意义的变音符号。最后,如果我们将它们看作字形簇,我们会得到一个人所说的组成印地语单词的四个字母:

["न", "म", "स्", "ते"]

Rust 提供了不同的方式来解释计算机存储的原始字符串数据,这样每个程序都可以选择它需要的解释,无论数据是什么人类语言。

Rust 不允许我们索引到String以获取字符的最后一个原因是,索引操作预期总是花费常量时间(O(1))。但对于String,无法保证这种性能,因为 Rust 必须从头遍历内容到索引,以确定有多少有效字符。

# 切片字符串

索引到字符串通常是个坏主意,因为不清楚字符串索引操作的返回类型应该是什么:字节值、字符、字形簇或字符串切片。因此,如果你真的需要使用索引来创建字符串切片,Rust 要求你更加明确。

与其使用[]和单个数字进行索引,你可以使用[]和一个范围来创建包含特定字节的字符串切片:

let hello = "Здравствуйте";

let s = &hello[0..4];

这里,s将是一个&str,包含字符串的前四个字节。前面我们提到,这些字符中的每一个是两个字节,这意味着s将是Зд

如果我们尝试只切片一个字符的部分字节,比如&hello[0..1],Rust 会在运行时恐慌,就像访问向量中的无效索引一样:

$ cargo run
   Compiling collections v0.1.0 (file:///projects/collections)
    Finished `dev` profile [unoptimized + debuginfo] target(s) in 0.43s
     Running `target/debug/collections`
thread 'main' panicked at src/main.rs:4:19:
byte index 1 is not a char boundary; it is inside 'З' (bytes 0..2) of `Здравствуйте`
note: run with `RUST_BACKTRACE=1` environment variable to display a backtrace

在使用范围创建字符串切片时应该小心,因为这样做可能会使你的程序崩溃。

# 迭代字符串的方法

操作字符串片段的最佳方式是明确你是想要字符还是字节。对于单个 Unicode 标量值,使用chars方法。在"Зд"上调用chars会分离出并返回两个char类型的值,你可以迭代结果来访问每个元素:

for c in "Зд".chars() {
    println!("{c}");
}

这段代码将打印以下内容:

З
д

或者,bytes方法返回每个原始字节,这可能适合你的领域:

for b in "Зд".bytes() {
    println!("{b}");
}

这段代码将打印组成这个字符串的四个字节:

208
151
208
180

但请记住,有效的 Unicode 标量值可能由多个字节组成。

从字符串获取字形簇,如梵文脚本,是复杂的,所以标准库没有提供这个功能。如果你需要这个功能,可以在crates.io (opens new window)上找到相关的 crate。

# 字符串并不那么简单

总结一下,字符串很复杂。不同的编程语言对如何向程序员呈现这种复杂性做出不同的选择。Rust 选择将正确处理String数据作为所有 Rust 程序的默认行为,这意味着程序员必须预先更多地考虑处理 UTF-8 数据。这种权衡暴露了比其他编程语言中明显的更多的字符串复杂性,但它防止你在开发生命周期的后期处理涉及非 ASCII 字符的错误。

好消息是,标准库提供了许多基于String&str类型的功能,帮助正确处理这些复杂情况。请务必查看文档中有用的方法,如用于在字符串中搜索的contains和用于替换字符串部分的replace

让我们转向一些不那么复杂的东西:哈希映射!