`u8string_view` 到 `char` 数组中而不违反严格混叠？

Question

前提

• 我在内存中有一个二进制数据块，表示为 char*（可能从文件中读取，或通过网络传输）。
• 我知道它在特定偏移处包含特定长度的 UTF8 编码文本字段。

问题

我如何（安全且便携地）获取u8string_view 来表示此文本字段的内容？

动机

将该字段作为u8string_view 传递给下游代码的动机是：

• 与 string_view 不同，它非常清楚地表明文本字段是 UTF8 编码的。
• 它避免了将其返回为 u8string 的成本（可能是免费存储分配 + 复制）。

我尝试了什么

这样做的天真方法是：

char* data = ...;
size_t field_offset = ...;
size_t field_length = ...;

char8_t* field_ptr = reinterpret_cast<char8_t*>(data + field_offset);
u8string_view field(field_ptr, field_length);

但是，如果我正确理解了 C++ 严格别名规则，这是未定义的行为，因为它通过 reinterpret_cast 返回的 char8_t* 指针访问 char* 缓冲区的内容，而 char8_t 不是别名类型。

这是真的吗？

有没有办法安全地做到这一点？

Answer 1

当您访问具有没有acceptable type 的泛左值的对象时，会发生严格的别名规则。

首先考虑一个定义明确的案例：

char* data = reinterpret_cast <char *> (new char8_t[10]{})
size_t field_offset = 0;
size_t field_length = 10;
char8_t* field_ptr = reinterpret_cast<char8_t*>(data + field_offset);
u8string_view field(field_ptr, field_length);
field [0]+field[1];

这里没有UB。您创建一个char8_t 数组，然后访问该数组的元素。

现在，如果data 引用的内存对象是由另一个程序创建的，会发生什么？根据标准，这是 UB，因为该对象不是由 specified way to create it 之一创建的。

但是，标准尚未支持您的代码这一事实在这里不是问题。所有编译器都支持此代码。如果不是，那么什么都行不通，你甚至无法进行最简单的系统调用，因为程序和任何内核之间的大部分通信都是通过 char 数组进行的。因此，只要在您的程序内部，您通过 char8_t 类型的 glvalue 访问位于 data+field_offset 和 data+field_offset+field_length 之间的内存，您的代码就会按预期工作。

Answer 2

同样的问题偶尔也会出现在其他情况下，例如共享内存的使用。

使用“原始”内存中的位创建对象而不分配内存的技巧是通过 memcpy 创建一个本地对象，然后在“原始”内存上创建该本地对象的动态副本。示例：

char* begin_raw = data + field_offset;
char8_t* last {};
for(std::ptrdiff_t i = 0; i < field_length; i++) {
    char* current = begin_raw + i;
    char8_t local {};
    std::memcpy(&local, current, sizeof local);
    last = new (current) char8_t(local);
}
char8_t* begin = last - (field_length - 1);
std::u8string_view field(begin, field_length);

在反对您不想复制之前，请注意最终结果不会导致“原始”内存的表示发生变化。编译器也可以注意到这一点，并且可以将整个循环编译成零指令（在我的测试中，GCC 和 Clang 使用 -O2 实现了这一点）。我们所做的只是通过在内存中创建动态对象来满足语言的对象生命周期规则。