Rust 编程语言

使用字符串存储 UTF-8 编码的文本

我们在第 4 章讨论了字符串，但现在我们将更深入地研究它们。Rust 新手通常会在字符串上遇到困难，原因有三：Rust 倾向于暴露可能的错误，字符串是一种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，可能会让你在从其他编程语言转过来时感到困难。

我们在集合的上下文中讨论字符串，因为字符串被实现为字节的集合，以及一些在这些字节被解释为文本时提供有用功能的方法。在本节中，我们将讨论每种集合类型都具有的 String 操作，例如创建、更新和读取。我们还将讨论 String 与其他集合的不同之处，即索引到 String 中会因人和计算机解释 String 数据的方式不同而变得复杂。

什么是字符串？

我们首先定义术语字符串的含义。Rust 在核心语言中只有一种字符串类型，即字符串切片 str，通常以借用形式 &str 出现。在第 4 章中，我们讨论了字符串切片，它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，字符串字面量存储在程序的二进制文件中，因此是字符串切片。

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、可变、拥有的 UTF-8 编码字符串类型。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。虽然本节主要关于 String，但这两种类型都在 Rust 的标准库中大量使用，并且 String 和字符串切片都是 UTF-8 编码的。

创建新字符串

许多与 Vec<T> 一起使用的操作也适用于 String，因为 String 实际上是作为字节向量的包装器实现的，并具有一些额外的保证、限制和功能。与 Vec<T> 和 String 以相同方式工作的函数的一个示例是 new 函数，用于创建实例，如 Listing 8-11 所示。

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

这行代码创建了一个名为 s 的新的空字符串，我们可以在其中加载数据。通常，我们会希望使用一些初始数据来启动字符串。为此，我们使用 to_string 方法，该方法可用于任何实现 Display trait 的类型，如字符串字面量所示。列表 8-12 显示了两个示例。

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();
}

此代码创建一个包含 initial contents 的字符串。

我们还可以使用函数 String::from 从字符串字面量创建 String。列表 8-13 中的代码等效于列表 8-12 中使用 to_string 的代码。

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

因为字符串用于很多事情，所以我们可以为字符串使用许多不同的通用 API，从而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::from 和 to_string 做的事情相同，因此选择哪一个取决于风格和可读性。

请记住，字符串是 UTF-8 编码的，因此我们可以在其中包含任何正确编码的数据，如列表 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");
}

所有这些都是有效的 String 值。

更新字符串

String 可以增长大小，并且其内容可以更改，就像 Vec<T> 的内容一样，如果您向其中推送更多数据。此外，您可以方便地使用 + 运算符或 format! 宏来连接 String 值。

使用 push_str 和 push 追加到字符串

我们可以通过使用 push_str 方法追加字符串切片来增长 String，如列表 8-15 所示。

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

在这两行之后，s 将包含 foobar。push_str 方法接受字符串切片，因为我们不一定想取得参数的所有权。例如，在列表 8-16 的代码中，我们希望能够在将 s2 的内容追加到 s1 之后使用 s2。

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

如果 push_str 方法取得了 s2 的所有权，我们将无法在最后一行打印其值。但是，这段代码按我们的预期工作！

push 方法接受单个字符作为参数，并将其添加到 String。列表 8-17 使用 push 方法将字母 l 添加到 String。

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

结果，s 将包含 lol。

使用 + 运算符或 format! 宏进行连接

通常，您会希望组合两个现有字符串。一种方法是使用 + 运算符，如列表 8-18 所示。

fn main() {
    let s1 = String::from("Hello, ");
    let s2 = String::from("world!");
    let s3 = s1 + &s2; // note s1 has been moved here and can no longer be used
}

字符串 s3 将包含 Hello, world!。在加法运算之后 s1 不再有效，以及我们使用对 s2 的引用的原因，与当我们使用 + 运算符时调用的方法的签名有关。+ 运算符使用 add 方法，其签名如下所示

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

在标准库中，您将看到使用泛型和关联类型定义的 add。在这里，我们替换为具体类型，这是当我们使用 String 值调用此方法时发生的情况。我们将在第 10 章中讨论泛型。此签名为我们提供了理解 + 运算符的棘手之处所需的线索。

首先，s2 有一个 &，这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 值加在一起。但是等等——&s2 的类型是 &String，而不是 &str，正如 add 的第二个参数中指定的那样。那么为什么列表 8-18 可以编译呢？

我们能够在对 add 的调用中使用 &s2 的原因是编译器可以将 &String 参数强制转换为 &str。当我们调用 add 方法时，Rust 使用解引用强制转换，此处将 &s2 转换为 &s2[..]。我们将在第 15 章中更深入地讨论解引用强制转换。由于 add 不取得 s 参数的所有权，因此 s2 在此操作之后仍将是有效的 String。

其次，我们可以在签名中看到 add 取得 self 的所有权，因为 self 没有 &。这意味着列表 8-18 中的 s1 将被移动到 add 调用中，并且之后将不再有效。因此，尽管 let s3 = s1 + &s2; 看起来会复制两个字符串并创建一个新字符串，但此语句实际上取得了 s1 的所有权，追加了 s2 内容的副本，然后返回结果的所有权。换句话说，它看起来像是进行了很多复制，但事实并非如此；该实现比复制更有效。

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。由于所有的 + 和 " 字符，很难看清发生了什么。对于以更复杂的方式组合字符串，我们可以改用 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}");
}

此代码也将 s 设置为 tic-tac-toe。format! 宏的工作方式类似于 println!，但它不是将输出打印到屏幕上，而是返回一个包含内容的 String。使用 format! 的代码版本更易于阅读，并且 format! 宏生成的代码使用引用，因此此调用不会取得其任何参数的所有权。

索引字符串

在许多其他编程语言中，通过索引引用来访问字符串中的单个字符是一种有效且常见的操作。但是，如果您尝试在 Rust 中使用索引语法访问 String 的部分内容，则会收到错误。考虑列表 8-19 中的无效代码。

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

此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.net.cn/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

错误和注释说明了问题：Rust 字符串不支持索引。但为什么不支持呢？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

String 是 Vec<u8> 的包装器。让我们看一下列表 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 将为 4，这意味着存储字符串 "Hola" 的向量的长度为 4 个字节。当以 UTF-8 编码时，这些字母中的每一个都占用一个字节。但是，以下行可能会让您感到惊讶（请注意，此字符串以大写西里尔字母 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");
}

如果有人问您字符串有多长，您可能会说是 12。实际上，Rust 的答案是 24：这是以 UTF-8 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 标量值相关联。为了演示，请考虑以下无效的 Rust 代码

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

您已经知道 answer 不会是第一个字母 З。当以 UTF-8 编码时，З 的第一个字节是 208，第二个字节是 151，因此似乎 answer 实际上应该是 208，但 208 本身不是有效的字符。如果用户要求此字符串的第一个字母，则返回 208 可能不是用户想要的；但是，这是 Rust 在字节索引 0 处拥有的唯一数据。用户通常不希望返回字节值，即使字符串仅包含拉丁字母：如果 &"hi"[0] 是返回字节值的有效代码，它将返回 104，而不是 h。

那么，答案是，为了避免返回意外值并导致可能无法立即发现的错误，Rust 根本不编译此代码，并在开发过程的早期防止误解。

字节、标量值和字素簇！天哪！

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

如果我们看一下用梵文字体书写的印地语单词 “नमस्ते”，它存储为 u8 值的向量，如下所示

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

那是 18 个字节，也是计算机最终存储此数据的方式。如果我们将其视为 Unicode 标量值，即 Rust 的 char 类型，则这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：它们是不单独存在的变音符号。最后，如果我们将其视为字素簇，我们将得到一个人所说的构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，以便每个程序都可以选择它需要的解释，无论数据使用哪种人类语言。

Rust 不允许我们索引到 String 以获取字符的最后一个原因是，索引操作预计始终以恒定时间 (O(1)) 进行。但是，对于 String 来说，不可能保证这种性能，因为 Rust 必须从头到尾遍历内容到索引才能确定有多少个有效字符。

切片字符串

索引到字符串通常是一个坏主意，因为它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、字素簇还是字符串切片。因此，如果您确实需要使用索引来创建字符串切片，Rust 会要求您更加具体。

与其使用带有单个数字的 [] 进行索引，不如使用带有范围的 [] 来创建包含特定字节的字符串切片

#![allow(unused)]
fn main() {
let hello = "Здравствуйте";

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

在这里，s 将是一个 &str，其中包含字符串的前四个字节。之前，我们提到这些字符中的每一个都是两个字节，这意味着 s 将是 Зд。

如果我们尝试仅切片字符字节的一部分，例如 &hello[0..1]，Rust 会在运行时崩溃，就像在向量中访问了无效索引一样

$ 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

使用范围创建字符串切片时应谨慎，因为这样做可能会导致程序崩溃。

迭代字符串的方法

操作字符串片段的最佳方法是明确说明您想要字符还是字节。对于单个 Unicode 标量值，请使用 chars 方法。在 “Зд” 上调用 chars 会分离出并返回两个类型为 char 的值，您可以迭代结果以访问每个元素

#![allow(unused)]
fn main() {
for c in "Зд".chars() {
    println!("{c}");
}
}

此代码将打印以下内容

З
д

或者，bytes 方法返回每个原始字节，这可能适合您的领域

#![allow(unused)]
fn main() {
for b in "Зд".bytes() {
    println!("{b}");
}
}

此代码将打印构成此字符串的四个字节

208
151
208
180

但是请务必记住，有效的 Unicode 标量值可能由多个字节组成。

从字符串中获取字素簇（如梵文字体）很复杂，因此标准库未提供此功能。在 crates.io 上提供了 crate如果这是您需要的功能。

字符串并非如此简单

总而言之，字符串是复杂的。不同的编程语言对如何向程序员展示这种复杂性做出了不同的选择。Rust 选择使正确处理 String 数据成为所有 Rust 程序的默认行为，这意味着程序员必须在前端投入更多精力来处理 UTF-8 数据。与其他编程语言中显而易见的字符串的复杂性相比，这种权衡暴露了更多的复杂性，但它可以防止您在开发生命周期后期处理涉及非 ASCII 字符的错误。

好消息是，标准库提供了许多基于 String 和 &str 类型构建的功能，以帮助正确处理这些复杂情况。请务必查看文档，了解有用的方法，例如用于在字符串中搜索的 contains 和用于将字符串的某些部分替换为另一个字符串的 replace。

让我们切换到稍微简单一点的内容：哈希映射！