【Rust 笔记】15-字符串与文本（下）

15.4 - 格式化值

• 格式化宏：总是借用对其参数的共享引用，不会取得所有权，也不会修改它们。

• 只要实现了

  std::fmt
  

  模块的格式化特型，就可以扩展下述宏，以支持自定义类型：

  • format!：使用模板来构建 String。
  • println! 和 print!：将格式化后的文本写入标准输出流。
  • writeln! 和 write!：将格式化后的文本写入指定输出流。
  • panic!：使用模板构建一个终止诧异的表达式，可以包含自定义的信息。
  • format_args! 宏和 std::fmt::Arguments 类型：可以写出自定义的支持格式化语言的函数和宏。

• 模板中的每个 {}，都会被后面某个参数的格式化形式取代。模板字符串必须是常量。

• 模板的

  {}
  

  部分称为格式化形参，形式为

  {which:how}
  

  。

  • which 和 how 是可选的。
  • which 部分用于选择使用模板后面的哪个参数来填补当前位置。可以通过索引或名称来选择参数。没有 which 部分的形参会简单地从左往右应用参数。
  • how 部分用于指定如何格式化参数：加多少空白、精度和基数多少。如果有 how 参数，那么前面的冒号是必须的。

模板字符串	参数列表	结果
"number of {}: {}"	"elephants", 19	"number of elephants: 19"
"from {1} to {0}"	"the grave", "the cradle"	"from the cradle to the grave"
"v = {:?}"	vec![0, 1, 2, 5, 12, 29]	"v = [0, 1, 2, 5, 12, 29]"
"name = {:?}"	"Nemo"	"name = \"Nemo\""
{: 8.2} km/s""	"11.186"	" 11.19 km/s"
"{: 20} {: 02x} {: 02x}"	"adc #42", 105, 42	"adc #42 69 2a"
"{1:02x} {2:02x} {0}"	"adc #42", 105, 42	"69 2a adc #42"
"{lsb:02x} {msb:02x} {insn}"	insn="adc #42", lsb = 105, msb = 42	"69 2a adc #42"

15.4.1 - 格式化文本值

格式化 &str 或 String（char 等同于只有一个字符的字符串）文本类型时，格式化形参 how 部分可以包含如下可选内容：

使用的特性	模板字符串	结果
默认	"{}"	"bookends"
最小字段宽度	"{: 4}"	"bookends"
	"{: 12}"	"bookends "
文本长度限制	"{:. 4}"	"book"
	"{:. 12}"	"bookends"
字段宽度及长度限制	"{: 12.20}"	"bookends "
	"{: 4.20}"	"bookends"
	"{: 4.6}"	"booken"
	"{: 6.4}"	"book "
左对齐，字段宽度	"{: <12}"	"bookends "
居中对齐，字段宽度	"{: ^12}"	" bookends "
右对齐，字段宽度	"{: >12}"	" bookends"
填充 =，居中对齐，字段宽度	"{: =^12}"	"==bookends=="
填充 *，右对齐，字段宽度，长度限制	"{: *>12.4}"	"********book"

• 除 &str 和 String 之外，也可以给格式化宏传入引用目标为文本的智能指针类型，比如 Rc<String> 或 Cow<'a, str>。

• 不能直接把文件名路径 std::path::Path 传给格式化宏，但可以使用 Path 的 dispaly 方法返回的值进行格式化。

  println!("processing file: {}", path.display());
  

15.4.2 - 格式化数值

当格式化参数具有 usize 或 f64 数值类型时，形参 how 的值必须包含，有以下可选组成部分。

• 格式化数值

使用的特性	模板字符串	结果
默认	"{}"	"1234"
强制符号	"{: +}"	"+1234"
最小字段宽度	"{: 12}"	" 1234"
	"{: 2}"	"1234"
符号，宽度	"{: +12}"	" +1234"
前置零，宽度	"{: 012}"	"000000001234"
符号，前置零，宽度	"{: +012}"	"+00000001234"
左对齐，宽度	"{: <12}"	"1234 "
居中对齐，宽度	"{: ^12}"	" 1234 "
右对齐，宽度	"{: >12}"	" 1234"
左对齐，符号，宽度	"{: <+12}"	"+1234 "
居中对齐，符号，宽度	"{: ^+12}"	" +1234 "
右对齐，符号，宽度	"{: >+12}"	" +1234"
填充 =，居中对齐，宽度	"{: =^12}"	"====1234===="
二进制计数法	"{: b}"	"100110100010"
宽度，八进制计数法	"{: 12o}"	" 2322"
符号，宽度，十六进制计数法	"{: +12x}"	" +4d2"
符号，宽度，大写十六进制计数法	"{: +12X}"	" +4D2"
符号，基数前缀，宽度，十六进制	"{: +#12x}"	" +0x4d2"
符号，基数，补零，宽度，十六进制	"{: +#012x}"	"+0x0000004d2"
	"{: +#06x}"	"+0x4d2"

• 格式化浮点数

使用的特性	模板字符串	结果
默认	"{}"	"1234.5678"
精度	"{:. 2}"	"1234.57"
	"{:. 6}"	"1234.567800"
最小字段宽度	"{: 12}"	" 1234.5678"
宽度，精度	"{: 12.2}"	" 1234.57"
	"{: 12.6}"	" 1234.567800"
前置零，宽度，精度	"{: 012.6}"	"01234.567800"
科学计数法	"{: e}"	"1.234578e3"
科学计数法，精度	"{: 3e}"	"1.235e3"
科学计数法，宽度，精度	"{: 12.3e}"	" 1.235e3"
	"{: 12.3E}"	" 1.235E3"

15.4.3 - 格式化其他类型

• 每种错误类型都应该实现 std::error::Error 特型，该特型扩展支持了默认的格式化特型 std::fmt::Display。任何实现 Error 的类型都是可以格式化的。
• std::net::IpAddr 和 std::net::SocketAddr 类型：可以格式化互联网协议地址。
• true 和 false 布尔值：可以直接格式化。

15.4.4 - 为调试格式化值

• {:?} 格式：可以调试和输出日志，也支持格式化任意 Rust 标准库中的公共类型。

  • 可以用来检查向量、切片、元组、散列表、线程等数百种类型。

  • 使用#[derive(Debug)] 语法，可以让自定义类型支持 {:?}。

    #[derive(Copy, Clone, Debug)]
    struct Complex {
        r: f64,
        i: f64
    }
    let third = Complex { r: -0.5, i: f64::sqrt(0.75) };
    println!("{:?}", third);
    // 输出结果
    Complex { r: -0.5, i: 0.8660254037544386 }
    

• #字符：在格式化形参中添加，用来美化打印输出结果。

  use std::collections::HashMap;
  
  let mut map = HashMap::new();
  map.insert("Portland", (45.5237606, -122.6819273));
  map.insert("Shanghai", (25.0375167, 121.5637));
  println!("{:?}", map);
  // 输出结果
  {"Shanghai": (25.0375167, 121.5637), "Portland": (45.5237606, -122.6819273)}
  
  println!("{: #?}", map);
  // 输出结果
  {
      "Shanghai": (
          25.0375167,
          121.5637
      ),
      "Portland": (
          45.5237606,
          -122.6819273
      )
  }
  

15.4.5 - 为调试格式化指针

{: p} 符号：用于将引用、Box 和其他指针类型格式化为地址：

use std::rc::Rc;

let original = Rc::new("mazurka".to_string());
let cloned = original.clone();
let impostor = Rc::new("mazurka".to_string());
println!("text:    {}, {}, {}", original, cloned, impostor);
println!("pointers: {: p}, {: p}, {: p}", original, cloned, impostor);

// 输出结果
text:    mazurka, mazurka, mazurka
pointers: 0x7f99af80e000, 0x7f99af80e000, 0x7f99af80e030

15.4.6 - 通过索引或名字引用参数

• 格式化形参可以使用索引显示选择它使用的参数。

  assert_eq!(format!("{1}, {0}, {2}", "zeroth", "first", "second"), "first, zeroth, second");
  

• 冒号后面可以再跟其他格式化形参。

  assert_eq!(format!("{2:#06x}, {1:b}, {0:=>10}", "first", 10, 100), "0x0064, 1010, =====first");
  

• 处理通过索引选择参数，还可以使用变量名称。

  assert_eq!(format!("{descirption:. <25} {quantity: 2} @ {price: 5.2}",
      price = 3.25,
      quantity = 3,
      description = "Maple Turnmeric Latte"
  ),
      "Maple Turnmeric Latte..... 3 @ 3.25"
  );
  

• 还可以在一个格式化宏中混用索引、名字和位置参数。位置参数从左往右匹配，不考虑已有的索引和命名参数。

  assert_eq!(format!("{mode} {2} {} {}", "people", "eater", "purple", mode = "flying"),
      "flying purple people eater"
  );
  

• 混合使用时，命名参数必须放在列表末尾。

15.4.7 - 动态宽度与精度

• 1$ 作为最小字段宽度：告诉 format! 使用第二个参数的值作为宽度

  format!("{: >1$}", content, get_width());
  

• 引用的参数必须是 usize。还可以通过名字来引用参数：

  format!("{: >width$}", content, width=get_width());
  

• 同样也支持文本长度限制。

  format!("{: >width$.limit$}", content, width=get_width(), limit=get_limit());
  

• * 符号：表示取得下一个位置上的参数作为精度。

  format!("{:. *}", get_limit(), content);
  

• 作为精度的参数必须是 usize。字段宽度没有对应的语法。

15.4.8 - 格式化自定义类型

• 格式化宏使用

  std::fmt
  

  模块中定义的一组特型，将值转换为文本。

  • 如果自定义其中的一个或多个特型，就可以让自定义类型实现格式化宏的格式。
  • 格式形参的记号表示其参数类型必须实现哪个特型。

记号	示例	特型	用途
无	{}	std::fmt::Display	文本、数值、错误： 兜底的特型
b	{: #b}	std::fmt::Binary	二进制中的数值
o	{: #5o}	std::fmt::Octal	八进制中的数值
x	{: 4x}	std::fmt::LowerHex	十六进制中的数值，小写数字
X	{: 016X}	std::fmt::UpperHex	十六进制中的数值，大写数字
e	{:. 3e}	std::fmt::LowerExp	科学计数法中的浮点数值
E	{:. 3E}	std::fmt::UpperExp	同上，E 大写显示
?	{: #?}	std::fmt::Debug	调试视图，适合开发者
p	{: p}	std::fmt::Pointer	指针地址，适合开发者

• 如果把#[derive(Debug)] 属性放在类型定义上，那么就可以直接使用 {:?} 格式化形参。

  • Rust 会自动为这个类型实现 std::fmt::Debug 特型。

  • 格式化特型的结构都一样，只是名字不同，如下的 std::fmt::Display 特型：

    trait Display {
        fn fmt(&self, dest: &mut std::fmt::Formatter) -> std::fmt::Result;
    }
    

  • 对 Display 实现 Complex。

    use std::fmt;
    
    impl fmt::Display for Complex {
        fn fmt(&self, dest: &mut std::fmt::Formatter) -> fmt::Result {
            let i_sign = if self.i < 0.0 {
                '-'
            } else {
                '+'
            };
            write!(dest, "{} {} {} i", self.r, i_sign, f64::abs(self.i))
        }
    }
    

15.4.9 - 在代码中使用格式化语言

使用 format_args! 宏和 std::fmt::Arguments 类型，在示例代码中，编写接收格式化模板和参数的函数和宏。

fn logging_enabled() -> bool {
    ...
}

use std::fs::OpenOptions;
use std::io::Write;

fn write_log_entry(entry: std::fmt::Arguments) {
    if logging_enabled() {
        let mut log_file = OpenOptions::new()
            .append(true)
            .create(true)
            .open("log-file-name")
            .expect("failed to open log fie");
        
        log_file.write_fmt(entry)
            .expect("failed to write to log");
    }
}

// 实现一个调用write_log_entry的宏
macro_rules! log {
    ($format: tt, $($arg: expr), *) => (
        write_log_entry(format_args!($format, ${$arg}, *))
    )
}

fn main() {
    write_log_entry(format_args!("Hard! {:?}\n", mysterious_value)); // 直接调用
    log!("O day and night, but this is wondrous strange! {:?}\n", mysterious_value);
}

• 编译时，format_args! 宏会解析模板字符串，并按照参数类型对其进行检查，并在发现问题时报错。
• 运行时，format_args! 宏会求值参数，并构建一个带有所有格式化文本必需信息的 Arguments 值，包括模板的预解析形式，以及对参数值的共享引用。
• File 类型实现了 std::io::Write 特型，其 write_fmt 方法接收 Argument 参数，并进行格式化，之后再把结果写入底层流。

15.5 - 正则表达式

• regex 包是 Rust 官方的正则表达式库，提供了常用的搜索和匹配功能。

• 要使用 regex，需要在 Cargo.toml 文件的 [dependencies] 部分添加如下代码：

  regex = "1"
  

  • 然后在包的底层加一个 extern crate 特性项

    extern crate regex;
    

15.5.1 - 基本用法

• Regex 值表示解析之后的正则表达式。

• Regex::new 构造函数：将传入的 &str 作为正则表达式解析，返回 Result。

  use regex::Regex;
  
  // 使用r"..."原始字符串语法，可以避免多反斜杠的转义
  let semver = Regex::new(r"(\d+)\.(\d+)\.(\d+) (-[-.[: alnum:]] *)?")?;
  
  // 简单搜索，返回布尔值结果
  let haystack = r#"regex = "0.2.5""#;
  assert!(semver.is_match(haystack));
  

• Regex::captures 方法：

  • 从字符串中搜索第一个匹配，返回的 regex::Captures 值，包含正则表达式中每一组对应的匹配信息。

    let captures = semver.captures(haystack)
        .ok_or("semver regex should have matched")?;
    assert_eq!(&captures[0], "0.2.5");
    assert_eq!(&captures[1], "0");
    assert_eq!(&captures[2], "2");
    assert_eq!(&captures[3], "5");
    

  • 要测试某个特定组是否有匹配结果，可以调用 Captures::get，会返回 Option<regex::Match>。Match 值记录一个捕获组的匹配信息。

    assert_eq!(captures.get(4), None);
    assert_eq!(captures.get(3).unwrap().start(), 13);
    assert_eq!(captures.get(3).unwrap().end(), 14);
    assert_eq!(captures.get(3).unwrap().as_str(), "5");
    

• 可以遍历一个字符串中的所有匹配：

  let haystack = "In the beginning there was 1.0.0. \
      For a while, we used 1.0.1-beta, \
      but in the end, we settled on 1.2.4.";
  let matches: Vec<&str> = semver.find_iter(haystack)
      .map(|match_| match_.as_str())
      .collect();
  assert_eq!(matches, vec!["1.0.0", "1.0.1-beta", "1.2.4"]);
  

  • find_iter 迭代器：为表达式的每个不重叠匹配，分别生成一个 Match 值，从字符串开头到末尾。
  • captures_iter 方法也能实现上述功能，但是生成的记录是所有捕获组的 Captures 值。记录捕获组会导致搜索变慢。

15.5.2 - 构建 Regex 值

• Regex::new 构造函数的性能较差，最好不要在大计算量的循环中构建 Regex，建议只构建一次，然后重用。

• lazy_static 包提供了首次使用时，懒构建静态值的方法。要使用这个包，需要在 Cargo.toml 中加上：

  [dependencies]
  lazy_static = "1.4.0"
  

• lazy_static 包提供了声明变量用的宏：

  #[marcro_use]
  extern crate lazy_static;
  
  lazy_static! {
      static ref SEMVER: 
          Regex = Regex::new(r"(\d+)\.(\d+)\.(\d+) (-[-.[: alnum:]] *)?")
          .expect("error parsing regex");
  }
  

• 调用 SEMVER：正则表达式只会在程序运行时编译一次。

  use std::io::BufRead;
  
  let stdin = std::io::stdin();
  for line in stdin.locak().lines() {
      let line = line?;
      if let Some(match_) = SEMVER.find(&line) {
          println!("{}", match_.as_str());
      }
  }
  

15.6 - 规范化

• 规范化：如果两个字符串按照 Unicode 的规则应该判定为等价，那么它们规范化的形式应该每个字符都相同。
  • 在以 UTF-8 编码的情况下，每个字节都相同。
  • 可以使用 == 来比较规范化的字符串。
  • 可以将它们作为 HashMap 或 HashSet 的键。
• 不进行规范化，会导致安全隐患。

15.6.1 - 规范化形式

• 分解表示形式：更适合显示文本或搜索，因为可以呈现更多细节。
  • 对于越南语 Phô，把基本字符跟它的两个记号分开表示成 3 个独立的 Unicode 字符。
  • 如'o'、\u{31b}（COMBINING HORN，组合角号）和 \u{309}（COMBINING HOOK ABOVE，组合上钩号）。
  • 最终结果是 Pho\u{31b}\u{309}
• 组合表示形式：format! 宏之类的简单字符串格式化特型。
• 将文本规范化为兼容性等效形式，有可能丢失重要信息。比如 2^5，可能会忽略上标 5 的格式，而直接保存为 25。
• 4 种规范化形式：
  • Unicode NFC（Normalization From C，规范化形式 C）：对每个字符串应用最大化组合。W3C 建议对所有内容使用 NFC。
  • Unicode NFD（Normalization From D，规范化形式 D）：对每个字符串应用最大化分解。
  • Unicode NFKC：将所有兼容性等效序列规范化为组合形式。建议对编程语言的标识符使用。
  • Unicode NFKD：将所有兼容性等效序列规范化为分解形式

15.6.2-unicode-normalization 包

• unicode-normalization 包的特型，可以给 &str 添加把文本转换为任意 4 中规范化形式的方法。

  [dependencies]
  unicode-normalization = "0.1.8"
  

• 包的顶部文件，需要添加 extern crate 声明：

  extern crate unicode_normalization;
  

• 如此可以对 &str 调用相应转化为不同规范化形式的迭代器的方法。

  use unicode_normalization::UnicodeNormalization;
  
  assert_eq!("Phô".nfd().collect::<String>(), "Pho\u{31b}\u{309}");
  assert_eq!("Phô".nfc().collect::<String>(), "Pho\u{1edf}");
  
  // "ffi"连字符
  assert_eq!("① Di\u{fb03culty}".nfkc().collect::<String>(), "1 Difficulty");
  

• 两个规范化的字符串拼接起来，未必是规范化的。

• Unicode 规则：只要文本在规范化时没有使用未分配的码点，那其规范化形式在标准的未来版本中就不会改变。

• 规范化形式通常适合持久存储数据。

---

详见《Rust 程序设计》（吉姆 - 布兰迪、贾森 - 奥伦多夫著，李松峰译）第十七章
原文地址