高效截断字符串副本`str`到`[u8]`（utf8 aware strlcpy）？

Question

虽然Rust提供了str.as_bytes ，但是我希望将一个字符串复制到一个固定大小的缓冲区中，其中只有完整的unicode-scalar-values被复制到缓冲区中，而是在C末尾写入一个空终结符进行截断。这些术语，我称之为utf8感知strlcpy （即 - 它复制到固定大小的缓冲区并确保其null终止） 。

---

这是我提出的功能，但我希望在Rust中有更好的方法：

// return the number of bytes written to
pub fn strlcpy_utf8(utf8_dst: &mut [u8], str_src: &str) -> usize {
    let utf8_dst_len = utf8_dst.len();
    if utf8_dst_len == 0 {
        return 0;
    }
    let mut index: usize = 0;
    if utf8_dst_len > 1 {
        let mut utf8_buf: [u8; 4] = [0; 4];
        for c in str_src.chars() {
            let len_utf8 = c.len_utf8();
            let index_next = index + len_utf8;
            c.encode_utf8(&mut utf8_buf);
            if index_next >= utf8_dst_len {
                break;
            }
            utf8_dst[index..index_next].clone_from_slice(&utf8_buf[0..len_utf8]);
            index = index_next;
        }
    }
    utf8_dst[index] = 0;
    return index + 1;
}

---

注意）：我意识到这并不理想，因为多个UCS可能组成一个字形，但结果至少能够解码回str 。

Answer 1

当你需要知道实际的字符边界时，Rust的str有一个方便的方法char_indices 。 这会立即简化你的功能：

pub fn strlcpy_utf8(utf8_dst: &mut [u8], str_src: &str) -> usize {
    let utf8_dst_len = utf8_dst.len();
    if utf8_dst_len == 0 {
        return 0;
    }
    let mut last_index = 0;
    for (idx, _) in str_src.char_indices() {
        if (idx+1) > utf8_dst_len {
            break;
        }
        last_index = idx;
    }
    utf8_dst[0..last_index].copy_from_slice(&str_src.as_bytes()[0..last_index]);
    utf8_dst[last_index] = 0;
    return last_index + 1;
}

操场

然而，除了复制之外，你实际上并不需要遍历每个字符，因为事实证明在UTF8中很容易找到边界; Rust有str::is_char_boundary() 。 这让你可以从最后向后看：

pub fn strlcpy_utf8(utf8_dst: &mut [u8], str_src: &str) -> usize {
    let utf8_dst_len = utf8_dst.len();
    if utf8_dst_len == 0 {
        return 0;
    }
    let mut last_index = min(utf8_dst_len-1, str_src.len());
    while last_index > 0 && !str_src.is_char_boundary(last_index) {
        last_index -= 1;
    }
    utf8_dst[0..last_index].copy_from_slice(&str_src.as_bytes()[0..last_index]);
    utf8_dst[last_index] = 0;
    return last_index + 1;
}

操场

Answer 2

根据Chris Emerson的回答和@ Matthieu-m建议删除冗余支票。

// returns the number of bytes written to
pub fn strlcpy_utf8(utf8_dst: &mut [u8], str_src: &str) -> usize {
    let utf8_dst_len = utf8_dst.len();
    if utf8_dst_len == 0 {
        return 0;
    }
    // truncate if 'str_src' is too long
    let mut last_index = str_src.len();
    if last_index >= utf8_dst_len {
        last_index = utf8_dst_len - 1;
        // no need to check last_index > 0 here,
        // is_char_boundary covers that case
        while !str_src.is_char_boundary(last_index) {
            last_index -= 1;
        }
    }
    utf8_dst[0..last_index].clone_from_slice(&str_src.as_bytes()[0..last_index]);
    utf8_dst[last_index] = 0;
    return last_index + 1;
}

---

@ChrisEmerson：我发布这个，因为它是我将用于我的项目的代码，如果你愿意，可以随时更新你的答案，我会删除这个答案。