Chars, Bytes & Graphemes

Itere str como escalares Unicode (chars), bytes brutos (bytes) ou clusters de grafemas percebidos pelo usuário (crate).

Receita

fn main() {
    let s = "e\u{0301}"; // e + acento agudo combinatório
    println!("chars: {}", s.chars().count()); // pode ser 2
}

Quando usar isso: Limites de comprimento corretos, movimento do cursor, ordenação - não bytes brutos.

Exemplo de Trabalho

fn ascii_words(s: &str) -> impl Iterator<Item = &str> {
    s.split_whitespace()
}
 
fn byte_len(s: &str) -> usize {
    s.as_bytes().len()
}
 
fn main() {
    let text = "Hello 世界";
    println!("bytes={} chars={}", byte_len(text), text.chars().count());
    for w in ascii_words(text) { println!("{w}"); }
}

O que isso demonstra:

• chars().count() vs len() bytes
• as_bytes() para trabalho de protocolo
• A complexidade dos grafemas precisa de unicode-segmentation para UI

Mergulho Profundo

unicode-segmentation = "1"

use unicode_segmentation::UnicodeSegmentation;
for g in "👨‍👩‍👧".graphemes(true) { println!("{g}"); }

Armadilhas

• chars == caracteres do usuário - Falso para marcas combinatórias. Correção: Segmentação de grafemas.
• bytes() para validação UTF-8 - Já válido em &str. Correção: from_utf8 em [u8].
• encode_utf16 para Windows - APIs do sistema operacional às vezes usam UTF-16.
• char tem 32 bits - Não codificado em UTF-8 no tipo char.
• Performance chars nth - O(n).

Alternativas

FAQs

Relacionados

• UTF-8 & Indexação
• Noções Básicas de Strings
• Manipulação de Strings
• OsString, Path & CStr

Versões da Pilha: Esta página foi escrita para Rust 1.97.0 (edição 2024), Tokio 1.x, Axum 0.8, serde 1.0, sqlx 0.8, clap 4, e Polars 0.46+.