Question

在Rust中，通过这样做可以从字节中获取UTF-8：

if let Ok(s) = str::from_utf8(some_u8_slice) {
    println!("example {}", s);
}

这可行或不可行，但Python有能力处理错误，例如：

s = some_bytes.decode(encoding='utf-8', errors='surrogateescape');

在此示例中，参数surrogateescape将无效的utf-8序列转换为转义码，因此它们不是忽略或替换无法解码的文本，而是替换为字节文字表达式，该表达式有效utf-8。有关详细信息，请参阅：Python docs。

Rust是否有办法从字节中获取UTF-8字符串，从而逃避错误而不是完全失败？

Answer 1

是的，通过String::from_utf8_lossy：

fn main() {
    let text = [104, 101, 0xFF, 108, 111];
    let s = String::from_utf8_lossy(&text);
    println!("{}", s); // he�lo
}

如果您需要对流程进行更多控制，可以按照std::str::from_utf8的建议使用other answer。但是，没有理由按照它的建议对字节进行双重验证。

一个很快被黑客攻击的例子：

use std::str;

fn example(mut bytes: &[u8]) -> String {
    let mut output = String::new();

    loop {
        match str::from_utf8(bytes) {
            Ok(s) => {
                // The entire rest of the string was valid UTF-8, we are done
                output.push_str(s);
                return output;
            }
            Err(e) => {
                let (good, bad) = bytes.split_at(e.valid_up_to());

                if !good.is_empty() {
                    let s = unsafe {
                        // This is safe because we have already validated this
                        // UTF-8 data via the call to `str::from_utf8`; there's
                        // no need to check it a second time
                        str::from_utf8_unchecked(good)
                    };
                    output.push_str(s);
                }

                if bad.is_empty() {
                    //  No more data left
                    return output;
                }

                // Do whatever type of recovery you need to here
                output.push_str("<badbyte>");

                // Skip the bad byte and try again
                bytes = &bad[1..];
            }
        }
    }
}

fn main() {
    let r = example(&[104, 101, 0xFF, 108, 111]);
    println!("{}", r); // he<badbyte>lo
}

您可以扩展它以获取值来替换坏字节，使用闭包来处理坏字节等。例如：

fn example(mut bytes: &[u8], handler: impl Fn(&mut String, &[u8])) -> String {
    // ...    
                handler(&mut output, bad);
    // ...
}

let r = example(&[104, 101, 0xFF, 108, 111], |output, bytes| {
    use std::fmt::Write;
    write!(output, "\\U{{{}}}", bytes[0]).unwrap()
});
println!("{}", r); // he\U{255}lo

另见：

Answer 2

你可以：

使用strict UTF-8 decoding自行构造它，它会返回一个错误，指示解码失败的位置，然后您可以将其转义。但这样效率很低，因为您将对每次失败的尝试进行两次解码。
尝试提供更多可自定义字符集解码器的3rd party crates。

是否可以将字节解码为UTF-8，将错误转换为Rust中的转义序列？

2 个答案: