Swift 5：具有最大 UTF-8 长度的字符串前缀

Question

我有一个可以包含任意 Unicode 字符的字符串，我想获得该字符串的 前缀，其 UTF-8 编码长度尽可能接近 32 个字节，同时仍然是有效的 UTF-8 并且不改变字符的含义（即不切断扩展的字素簇）。

考虑这个正确的示例：

let string = "\u{1F3F4}\u{E0067}\u{E0062}\u{E0073}\u{E0063}\u{E0074}\u{E007F}\u{1F1EA}\u{1F1FA}"
print(string)                    // ????????????????????????????????????
print(string.count)              // 2
print(string.utf8.count)         // 36

let prefix = string.utf8Prefix(32)  // <-- function I want to implement 
print(prefix)                    // ????????????????????????????
print(prefix.count)              // 1
print(prefix.utf8.count)         // 28

print(string.hasPrefix(prefix))  // true

这个错误实现的例子：

let string = "ar\u{1F3F4}\u{200D}\u{2620}\u{FE0F}\u{1F3F4}\u{200D}\u{2620}\u{FE0F}\u{1F3F4}\u{200D}\u{2620}\u{FE0F}"
print(string)                    // ar????‍☠️????‍☠️????‍☠️
print(string.count)              // 5
print(string.utf8.count)         // 41

let prefix = string.wrongUTF8Prefix(32)  // <-- wrong implementation 
print(prefix)                    // ar????‍☠️????‍☠️????
print(prefix.count)              // 5
print(prefix.utf8.count)         // 32

print(string.hasPrefix(prefix))  // false

有什么优雅的方法可以做到这一点？ （除了试错）

Answer 1

我喜欢您提出的第一个解决方案。如果您取出formIndex，我发现它会更正确（并且更简单）：

extension String {
    func utf8Prefix(_ maxLength: Int) -> Substring {
        if self.utf8.count <= maxLength {
            return Substring(self)
        }

        let index = self.utf8.index(self.startIndex, offsetBy: maxLength)
        return self.prefix(upTo: index)
    }
}

Answer 2

我发现String 和String.UTF8View 共享相同的索引，所以我设法创建了一个非常简单（而且高效？）的解决方案，我想：

extension String {
    func utf8Prefix(_ maxLength: Int) -> Substring {
        if self.utf8.count <= maxLength {
            return Substring(self)
        }

        var index = self.utf8.index(self.startIndex, offsetBy: maxLength+1)
        self.formIndex(before: &index)
        return self.prefix(upTo: index)
    }
}

---

解释（假设maxLength == 32和startIndex == 0）：

第一种情况 (utf8.count <= maxLength) 应该很清楚，那是不需要工作的地方。
对于第二种情况，我们首先得到 utf8-index 33，即

• A：字符串的 endIndex（如果它正好是 33 个字节长），
• B：字符开头的索引（在前面字符的 33 个字节之后）
• C: 字符中间某处的索引（在

因此，如果我们现在将索引向后移动一个字符（使用 formIndex(before:)），这将跳转到 index 之前的第一个扩展字素簇边界，如果 A 和 B 是之前的一个字符，而在 C 中则是它的开头性格。
无论如何，utf8-index 现在将被保证最多为32 并且位于扩展的字素簇边界，因此prefix(upTo: index) 将安全地创建一个长度≤32 的前缀。

---

……但这并不完美。
从理论上讲，这也应该始终是最佳解决方案，即前缀的count 尽可能接近maxLength，但有时当字符串以包含多个Unicode 标量的扩展字形簇结尾时，formIndex(before: &index) 会返回一个字符太多了，所以前缀会更短。我不确定为什么会这样。

编辑：一个不那么优雅但作为交换完全“正确”的解决方案是这样的（仍然只有 O(n)）：

extension String {
    func utf8Prefix(_ maxLength: Int) -> Substring {
        if self.utf8.count <= maxLength {
            return Substring(self)
        }

        let endIndex = self.utf8.index(self.startIndex, offsetBy: maxLength)
        var index = self.startIndex
        while index <= endIndex {
            self.formIndex(after: &index)
        }
        self.formIndex(before: &index)
        return self.prefix(upTo: index)
    }
}

Answer 3

您没有尝试过解决方案，因此通常不会为您编写代码。因此，在这里为您提供一些算法建议：

有什么优雅的方法可以做到这一点？ （除了试错）

优雅的定义是什么？ （就像美丽取决于旁观者的眼睛......）

简单吗？

以String.makeIterator 开头，编写一个while 循环，只要字节数≤32，将Characters 附加到您的前缀。

这是一个非常简单的循环，最糟糕的情况是 32 次迭代和 32 次追加。

“智能”搜索策略？

您可以根据String 中每个Character 的平均字节长度并使用String.Prefix(Int) 来实施策略。

例如对于您的第一个示例，字符数为 2，字节数为 36，平均为 18 个字节/字符，18 变为 32 一次（我们不处理小数字符或字节！）所以从 Prefix(1) 开始，它的字节数为 28，剩下 1 个字符和 8 个字节 - 所以剩余部分的平均字节长度为 8，您最多再寻找 4 个字节，8 进入 4 个零次，然后就完成了。

上面的例子展示了扩展（或不扩展）你的前缀猜测的情况。如果您的前缀猜测太长，您可以使用前缀字符和字节数而不是原始字符串从头开始算法。

如果您在实现算法时遇到问题，请提出一个新问题来显示您编写的代码，描述问题，毫无疑问有人会帮助您进行下一步。

HTH