如何在 UTF-8 字节数组中找到字符串的起始索引？ (C#)

Question

我有一个 UTF-8 字节数据数组。我想在 C# 的字节数组中搜索特定字符串。

byte[] dataArray = (一些 UTF-8 字节数据数组);

string searchString = "Hello";

如何找到第一次出现的单词“Hello”在数组 dataArray 中并返回字符串开始的索引位置（“Hello”中的“H”将位于 dataArray 中）？

之前，我错误地使用了如下内容：

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

显然，该代码不能保证正常工作，因为我返回的是String 的索引，而不是 UTF-8 字节数组的索引。是否有任何内置的 C# 方法或经过验证的、高效的代码可供我重用？

谢谢，

马特

Answer 1

UTF-8 的一个很好的功能是，如果一个字节序列代表一个字符，并且该字节序列出现在有效 UTF-8 编码数据中的任何位置，那么它总是代表该字符。

知道了这一点，您可以将要搜索的字符串转换为字节数组，然后使用 Boyer-Moore 字符串搜索算法（或您喜欢的任何其他字符串搜索算法）稍微适应于字节数组而不是字符串。

这里有很多答案可以帮助您：

• 字节[]数组模式搜索

Answer 2

尝试以下代码片段：

// 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);