背景:

在我們使用Golang進行開發過程中，總是繞不開對字符或字符串的處理，而在Golang語言中，對字符和字符串的處理方式可能和其他語言不太一樣，比如Python或Java類的語言，本篇文章分享一些Golang語言下的Unicode和字符串編碼。

Go語言字符編碼

注意: 在Golang語言中的標識符可以包含 " 任何Unicode編碼可以標識的字母字符 "。

被轉換的整數值應該可以代表一個有效的 Unicode 代碼點，否則轉換的結果就將會是 "�"，即：一個僅由高亮的問號組成的字符串值。

另外，當一個 string 類型的值被轉換為 []rune 類型值的時候，其中的字符串會被拆分成一個一個的 Unicode 字符。

顯然，Go 語言采用的字符編碼方案從屬于 Unicode 編碼規范。更確切地說，Go 語言的代碼正是由 Unicode 字符組成的。Go 語言的所有源代碼，都必須按照 Unicode 編碼規范中的 UTF-8 編碼格式進行編碼。

換句話說，Go 語言的源碼文件必須使用 UTF-8 編碼格式進行存儲。如果源碼文件中出現了非 UTF-8 編碼的字符，那么在構建、安裝以及運行的時候，go 命令就會報告錯誤 " illegal UTF-8 encoding "。

ASCII 編碼

ASCII 編碼方案使用單個字節（byte）的二進制數來編碼一個字符。標準的 ASCII 編碼用一個字節的最高比特（bit）位作為奇偶校驗位，而擴展的 ASCII 編碼則將此位也用于表示字符。ASCII 編碼支持的可打印字符和控制字符的集合也被叫做 ASCII 編碼集。

我們所說的 Unicode 編碼規范，實際上是另一個更加通用的、針對書面字符和文本的字符編碼標準。它為世界上現存的所有自然語言中的每一個字符，都設定了一個唯一的二進制編碼。

它定義了不同自然語言的文本數據在國際間交換的統一方式，并為全球化軟件創建了一個重要的基礎。

Unicode 編碼規范以 ASCII 編碼集為出發點，并突破了 ASCII 只能對拉丁字母進行編碼的限制。它不但提供了可以對世界上超過百萬的字符進行編碼的能力，還支持所有已知的轉義序列和控制代碼。

我們都知道，在計算機系統的內部，抽象的字符會被編碼為整數。這些整數的范圍被稱為代碼空間。在代碼空間之內，每一個特定的整數都被稱為一個代碼點。

一個受支持的抽象字符會被映射并分配給某個特定的代碼點，反過來講，一個代碼點總是可以被看成一個被編碼的字符。

Unicode 編碼規范通常使用十六進制表示法來表示 Unicode 代碼點的整數值，并使用 “U+” 作為前綴。比如，英文字母字符 “a” 的 Unicode 代碼點是 U+0061。在 Unicode 編碼規范中，一個字符能且只能由與它對應的那個代碼點表示。

Unicode 編碼規范現在的最新版本是 11.0，并會于 2019 年 3 月發布 12.0 版本。而 Go 語言從 1.10 版本開始，已經對 Unicode 的 10.0 版本提供了全面的支持。對于絕大多數的應用場景來說，這已經完全夠用了。

Unicode 編碼規范提供了三種不同的編碼格式，即：UTF-8、UTF-16 和 UTF-32。其中的 UTF 是 UCS Transformation Format 的縮寫。而 UCS 又是 Universal Character Set 的縮寫，但也可以代表 Unicode Character Set。所以，UTF 也可以被翻譯為 Unicode 轉換格式。它代表的是字符與字節序列之間的轉換方式。

在這幾種編碼格式的名稱中，“-” 右邊的整數的含義是，以多少個比特位作為一個編碼單元。以 UTF-8 為例，它會以 8 個比特，也就是一個字節，作為一個編碼單元。并且，它與標準的 ASCII 編碼是完全兼容的。也就是說，在 [0x00, 0x7F] 的范圍內，這兩種編碼表示的字符都是相同的。這也是 UTF-8 編碼格式的一個巨大優勢。

UTF-8 是一種可變寬的編碼方案。換句話說，它會用一個或多個字節的二進制數來表示某個字符，最多使用四個字節。比如，對于一個英文字符，它僅用一個字節的二進制數就可以表示，而對于一個中文字符，它需要使用三個字節才能夠表示。不論怎樣，一個受支持的字符總是可以由 UTF-8 編碼為一個字節序列。以下會簡稱后者為 UTF-8 編碼值。

string類型的底層存儲

在 Go 語言中，一個 string 類型的值既可以被拆分為一個包含多個字符的序列，也可以被拆分為一個包含多個字節的序列。

前者可以由一個以 rune 為元素類型的切片來表示，而后者則可以由一個以 byte 為元素類型的切片代表。

rune 是 Go 語言特有的一個基本數據類型，它的一個值就代表一個字符，即：一個Unicode 字符(再通俗點，就是一個中文字符，占3byte)。

從Golang語言的源碼(https://github.com/golang/go/blob/master/src/builtin/builtin.go#L92)中我們其實可以知道，rune類型底層其實是一個int32類型。

我們已經知道，UTF-8 編碼方案會把一個 Unicode 字符編碼為一個長度在[1, 4] 范圍內的字節序列，也就是說，一個 rune 類型的值會由四個字節寬度的空間來存儲。它的存儲空間總是能夠存下一個 UTF-8 編碼值。

我們可以看如下代碼:

func unicodeAndUtf8() {
 tempStr := "BGBiao 的SRE人生."
 fmt.Printf("string:%q\n",tempStr)
 fmt.Printf("rune(char):%q\n",[]rune(tempStr))
 fmt.Printf("rune(hex):%x\n",[]rune(tempStr))
 fmt.Printf("bytes(hex):% x\n",[]byte(tempStr))
}

對應輸出的效果如下:

string:"BGBiao 的SRE人生."
rune(char):['B' 'G' 'B' 'i' 'a' 'o' ' ' '的' 'S' 'R' 'E' '人' '生' '.']
rune(hex):[42 47 42 69 61 6f 20 7684 53 52 45 4eba 751f 2e]
bytes(hex):42 47 42 69 61 6f 20 e7 9a 84 53 52 45 e4 ba ba e7 94 9f 2e

第二行輸出可以看到字符串在被轉換為[]rune類型的值時，其中每個字符都會成為一個獨立的rune類型的元素值。而每個rune底層的值都是采用UTF-8編碼值來表達的，所以第三行的輸出，我們采用16進制數來表示上述字符串，每一個16進制的字符分別表示一個字符，我們可以看到，當遇到中文字符時，由于底層存儲需要更大的空間，所以使用的16進制數字也比較大，比如4eba和751f分別代表人和生。

但其實，當我們將整個字符的UTF-8編碼值都拆成響應的字節序列時，就變成了第四行的輸出，可以看到一個中文字符其實底層是占用了三個byte，比如e4 ba ba和e7 94 9f分別對應UFT-8編碼值的4eba和751f，也即中文字符中的人和生。

注意: 對于一個多字節的 UTF-8 編碼值來說，我們可以把它當做一個整體轉換為單一的整數，也可以先把它拆成字節序列，再把每個字節分別轉換為一個整數，從而得到多個整數。

我們對上述字符串的底層編碼進行圖形拆解:

總之，一個 string 類型的值會由若干個 Unicode 字符組成，每個 Unicode 字符都可以由一個 rune 類型的值來承載。這些字符在底層都會被轉換為 UTF-8 編碼值，而這些 UTF-8 編碼值又會以字節序列的形式表達和存儲。

所以，一個 string 類型的值在底層就是一個能夠表達若干個 UTF-8 編碼值的字節序列。

range遍歷字符串示例

注意: 帶有 range 子句的 for 語句會先把被遍歷的字符串值拆成一個字節序列，然后再試圖找出這個字節序列中包含的每一個 UTF-8 編碼值，或者說每一個 Unicode 字符。因此在 range for 語句中，賦給第二個變量的值是UTF-8 編碼值代表的那個 Unicode 字符，其類型會是 rune。

我們來看如下代碼:

func rangeString() {
 tempStr := "BGBiao 人生"
 for k,v := range tempStr {
  fmt.Printf("%d : %q %x [% x]\n",k,v,[]rune(string(v)),[]byte(string(v)))
 }
}

使用 for range 進行遍歷字符串，得到如下結果:

0 : 'B' [42] [42]
1 : 'G' [47] [47]
2 : 'B' [42] [42]
3 : 'i' [69] [69]
4 : 'a' [61] [61]
5 : 'o' [6f] [6f]
6 : ' ' [20] [20]
7 : '人' [4eba] [e4 ba ba]
10 : '生' [751f] [e7 94 9f]

可以看到，遍歷字符串中的每個字符時，對應的表示方式和我們上圖中分析的是一致的，但是你有沒有發現一個小問題呢？

即在遍歷過程中，最后一個字符生的索引一下從7變成了10，這是因為人這個字符底層是由三個字節共同表達的，即[e4 ba ba]，因此下一個字符的索引值就需要加3，而生的索引值也就變成了10而不是8。

所以，需要注意的是: for range 語句可以逐一的迭代出字符串值里的每個Unicode字符，但是相鄰的Unicode字符的索引值并不一定是連續的，這取決于前一個Unicode字符是否為單字節字符。

總結

到此這篇關于Golang中Unicode與字符串示例的文章就介紹到這了,更多相關Golang Unicode與字符串內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！