Comment puis-je trouver l'index de départ d'une chaîne dans un tableau d'octets UTF-8? (C#)

Question

J'ai un tableau de données d'octets UTF-8. Je voudrais rechercher une chaîne spécifique dans le tableau d'octets en C#.

byte[] dataArray = (some UTF-8 byte array of data);

string searchString = "Hello";

Comment puis-je trouver la première occurrence du mot « Bonjour » dans le tableau tableauDonnees et retourner un emplacement de l'index où la chaîne commence (où le « H » de « Bonjour » serait situé dans dataArray)?

Avant, j'utilisais à tort quelque chose comme:

int helloIndex = Encoding.UTF8.GetString(dataArray).IndexOf("Hello");

De toute évidence, ce code ne serait pas garanti de travailler depuis que je suis de retour l'index d'une chaîne, et non l'indice de l'UTF-8 tableau d'octets. Existe-t-il des méthodes C# intégrées ou des codes éprouvés et efficaces que je peux réutiliser?

Merci,

Matt

Answer 1

Une des fonctionnalités intéressantes sur UTF-8 est que si une séquence d'octets représente un caractère et cette séquence d'octets apparaît partout dans UTF-8 valides données codées puis représente toujours ce personnage. Sachant cela, vous pouvez convertir la chaîne que vous cherchez en un tableau d'octets, puis utiliser le Boyer-Moore string searching algorithm (ou tout autre algorithme de recherche de chaîne que vous aimez) adapté légèrement pour travailler sur des tableaux d'octets au lieu de chaînes.

Il y a un certain nombre de réponses ici qui peuvent vous aider:

• byte[] array pattern search

Answer 2

Essayez l'extrait suivant:

// Setup our little test. 

string sourceText = "ʤhello"; 

byte[] searchBytes = Encoding.UTF8.GetBytes(sourceText); 

// Convert the bytes into a string we can search in. 

string searchText = Encoding.UTF8.GetString(searchBytes); 

int position = searchText.IndexOf("hello"); 

// Get all text that is before the position we found. 

string before = searchText.Substring(0, position); 

// The length of the encoded bytes is the actual number of UTF8 bytes 
// instead of the position. 

int bytesBefore = Encoding.UTF8.GetBytes(before).Length; 

// This outputs Position is 1 and before is 2. 

Console.WriteLine("Position is {0} and before is {1}", position, bytesBefore);