以安全的 Rust 方式切片 XML 字符串
Slicing XML strings in a safe, Rust way
我正在解析 XML，我们发现 XML 解析器花费了大量时间来检查 UTF 兼容性，这是不必要的。例如，假设我正在解析类似于以下内容的内容：
<root><ß❤></ß❤></root>
在我们的火焰图中，我们会花很多时间检查 root 或 ß❤ 是否是有效的 UTF。
避免此检查的一种方法是有一个先决条件，即 XML 输入是有效的 Rust &str。因为它是并且分隔符是基于 ASCII 的，所以理论上，在任何两个 ASCII 分隔符之间的切片应该产生有效的 &str，我们不会检查它。
这是一个安全的假设吗？或者更好的是，是否有一个箱子可以做类似的事情（例如 CSV）？
我想大多数 XML 解析器都会在整个输入流级别检查有效的 UTF-8 编码，然后在 "root" 的更高级别进行进一步检查和“ß❤”是有效的 XML 名称。您确实观察到这些检查可能代价高昂并且有优化的机会；并且这些机会之一可能是利用 UTF-8 编码原则确保八位字节 x3C 永远不会出现在 UTF-8 流中，除非作为字符“<”的表示。
您还可以通过完全删除一些检查来降低解析成本。不检测所有错误的解析器不符合 W3C 标准，但这并不意味着它毫无用处。但是，请注意不要以牺牲其他一切为代价而沉迷于性能：对于 95% 的用户来说，产生良好的错误消息可能至少值得 10% 的性能开销。
我正在解析 XML，我们发现 XML 解析器花费了大量时间来检查 UTF 兼容性，这是不必要的。例如，假设我正在解析类似于以下内容的内容：
<root><ß❤></ß❤></root>
在我们的火焰图中，我们会花很多时间检查 root 或 ß❤ 是否是有效的 UTF。
避免此检查的一种方法是有一个先决条件，即 XML 输入是有效的 Rust &str。因为它是并且分隔符是基于 ASCII 的，所以理论上，在任何两个 ASCII 分隔符之间的切片应该产生有效的 &str，我们不会检查它。
这是一个安全的假设吗？或者更好的是，是否有一个箱子可以做类似的事情（例如 CSV）？
我想大多数 XML 解析器都会在整个输入流级别检查有效的 UTF-8 编码，然后在 "root" 的更高级别进行进一步检查和“ß❤”是有效的 XML 名称。您确实观察到这些检查可能代价高昂并且有优化的机会；并且这些机会之一可能是利用 UTF-8 编码原则确保八位字节 x3C 永远不会出现在 UTF-8 流中，除非作为字符“<”的表示。
您还可以通过完全删除一些检查来降低解析成本。不检测所有错误的解析器不符合 W3C 标准，但这并不意味着它毫无用处。但是，请注意不要以牺牲其他一切为代价而沉迷于性能：对于 95% 的用户来说，产生良好的错误消息可能至少值得 10% 的性能开销。