如何在Swift中处理来自C的缓冲字符串？

Question

我正在使用libxml2的sax解析器来读取大型xml文件。大多数回调处理程序都提供了一个NULL终止的字符指针。使用String.fromCString这些可以转换为Swift中的常规字符串。但是，sax使用缓冲区来读取字节，因此可以使用字符串的一部分（即缓冲区的大小）调用其中一个回调函数（characters）。这部分字符串甚至可能在Unicode代码点的中途开始/结束。回调将被多次调用，直到提供完整的字符串（以块为单位）。

我想连接所有的块，直到完整的字符串可以组装，或者以某种方式检测部分字符串中的代码点边界，只处理完成直到无效的代码点。

处理这种情况的最佳方法是什么？处理过程应尽可能快，但仍然正确。内存使用应尽可能少，但不要牺牲性能。

Answer 1

最长的合法UTF-8字符是4个字节（RFC 3629第3节）。所以你不需要一个非常大的缓冲区来保证你的安全。你需要多少字节的规则也很容易（只要看第一个字节）。所以我只是维护一个从0到3字节的缓冲区。当你有正确的编号时，传递它并尝试构造一个字符串。像这样的东西（只轻轻测试，可能有个别案例不仍然工作）：

final class UTF8Parser { 
    enum Error: ErrorType { 
     case BadEncoding 
    } 
    var workingBytes: [UInt8] = [] 

    func updateWithBytes(bytes: [UInt8]) throws -> String { 

     workingBytes += bytes 

     var string = String() 
     var index = 0 

     while index < workingBytes.count { 
      let firstByte = workingBytes[index] 
      var numBytes = 0 

       if firstByte < 0x80 { numBytes = 1 } 
      else if firstByte < 0xE0 { numBytes = 2 } 
      else if firstByte < 0xF0 { numBytes = 3 } 
      else      { numBytes = 4 } 

      if workingBytes.count - index < numBytes { 
       break 
      } 

      let charBytes = workingBytes[index..<index+numBytes] 

      guard let newString = String(bytes: charBytes, encoding: NSUTF8StringEncoding) else { 
       throw(Error.BadEncoding) 
      } 
      string += newString 
      index += numBytes 
     } 

     workingBytes.removeFirst(index) 
     return string 
    } 
} 

let parser = UTF8Parser() 
var string = "" 
string += try parser.updateWithBytes([UInt8(65)]) 

print(string) 
let partial = try parser.updateWithBytes([UInt8(0xCC)]) 
print(partial) 

let rest = try parser.updateWithBytes([UInt8(0x81)]) 
print(rest) 

string += rest 
print(string) 

这只是一个方式，就是那种简单。另一种可能更快的方法是向后遍历字节，寻找代码点的最后一个开始（一个不以“10”开头的字节）。然后你可以一举处理所有事情，特殊情况就是最后几个字节。

Answer 2

如果处理速度是你的第一个目标，那么我会仅仅收取 所有的字符，直到XML元素被完全处理和 endElement被调用。这可以使用Foundation框架中的NSMutableData 完成。所以你需要一个属性

var charData : NSMutableData? 

这是在startElement初始化：

charData = NSMutableData() 

在characters回调您添加的所有数据：

charData!.appendBytes(ch, length: Int(len)) 

（强制解缠在这里接受charData只能是nil 如果startElement之前没有被调用过，那我ans 发生编程错误或libxml2无法正常工作）。

终于在endElement，创建一个字符串，斯威夫特和 发布数据：

defer { 
    // Release data in any case before function returns 
    charData = nil 
} 
guard let string = String(data: charData!, encoding: NSUTF8StringEncoding) else { 
    // Handle invalid UTF-8 data situation 
} 
// string is the Swift string