如何在Rust中遍历Unicode字素簇？

Question

我正在学习Rust，而让我感到惊讶的是，Rust仅能够区分UTF-8字节序列，而不能区分实际的字素簇（即，变音符号被视为不同的“字符”）。

因此，例如，Rust可以将输入文本变成这样的矢量（借助于"??????".chars()）：

['?', '?', '?', '?', '?', '?'] // 4 and 6 are diacritics and shouldn't be distinct items

但是，如何获得这样的向量？

["?", "?", "??", "??"]

Answer 1

你想用的unicode-segmentation箱子：

use unicode_segmentation::UnicodeSegmentation; // 1.5.0

fn main() {
    for g in "???????".graphemes(true) {
        println!("- {}", g);
    }
}

（Playground，请注意：Playground编辑器无法正确处理字符串，因此该行中的光标位置错误）

打印：

- ?
- ?
- ??
- ???

在true作为参数意味着我们要遍历扩展字形集群。请参阅graphemes文档以获取更多信息。

标准库在某些时候支持对Unicode字素簇的分段，但是不幸的是，由于所需的Unicode表的大小而将其删除。相反，实际解决方案是使用板条箱。但是，是的，我认为“默认标准库分段”所使用的代码点在语义上没有多大意义（例如，对它们进行计数或将其拆分通常没有任何意义），这确实是很不幸的。