使用字形与拆分的 UTF-8 字符串数组

Question

使用graphemes 比split 从UTF-8 字符串创建数组有优势吗？

例如，考虑以下情况：

# Define a UTF-8 string with a bunch of multibyte characters
s = "{(-n↑⍵÷⊃⊖⍵),⍨⍉1↓⍉∘.=⍨⍳n←1-⍨≢⍵}"

# Create an array using split
split(s, "")

# Create an array using graphemes (v0.4+)
collect(graphemes(s))

这两种方法都会产生预期的输出。确实，

split(s, "") == collect(graphemes(s))

返回true。

这两种方法似乎始终产生相同的结果。一种方法是否普遍优于另一种方法，无论是出于性能、风格还是其他方面？

（请注意，graphemes 返回的是迭代器而不是数组，因此是 collect。）

Answer 1

取决于您要查找的内容。 graphemes() 将返回用户认为是单个字符的内容，即使它们可能包含多个代码点；例如，与重音符号组合的字母是单个字素。 split() 不是这种情况。

考虑一个 + ◌́ 。在此示例中，split() 将两个代码点作为单独的字符返回，而 graphemes() 将返回单个字符。