本文讨论rune相关知识,在深入讨论前,我们需要理解字符和编码的区别:
通过字符可以简化字符集定义,但是在Unicode中,使用代码点来标识字符,字符集中的每个字符都有唯一的代码点值。例如,中文汉字的代码点值是U+6C49. 如果采用UTF-8编码,汉字存储占3个字节:0xE6,0xB1,0x89. 理解这些非常重要,因为在Go语言中,1个rune字符是一个代码点。
此外,我们知道UTF-8编码会将一个字符编码为1到4个字节,4字节也就是32比特。所以在Go语言中,rune被定义为int32的别名。
type rune = int32
还有一点需要强调,有些人认为Go字符串都是UTF-8, 事实并不是这样。通过下面的例子进行说明,下面程序将hello字符串赋值给变量s, 在Go中,源代码被编码为UTF-8. 因此,所有字符串文字都使用UTF-8编码为字节序列。但是,字符串是任意字节的序列:不一定基于UTF-8, 例如从文件系统中读取的内容,我们不能假定它一定使用的是UTF-8编码后的字节序列。
s := "hello"
「NOTE golang.org/x 扩展了标准库功能,为我们提供了操作UTF-16和UTF-32相关功能包」
回到上述代码,字符串hello由五个字符:h,e,l,l,o构成。这些都是简单字符,每个字符编码为1个字节。所以字符串s的长度为5.
s := "hello"
fmt.Println(len(s)) // 5
注意,并不是每个字符都是编码成1个字节,例如中文汉字,因为采用UTF-8编码,会被编码为3个字节,下面程序输出变量s的长度为3,而不是1.
s := "汉"
fmt.Println(len(s)) // 3
为啥len函数返回的是3而不是1呢?因为len是一个内置函数,它返回的不是字符串中字符的个数,而是字符串编码后的字节数。
因此,我们可以通过字节切片构造字符串。前面提到,汉字符被编码为 0xE6、0xB1和0x89三个字节。创建字符串s通过3个字节构成,打印输出的内容为中文汉字。
s := string([]byte{0xE6, 0xB1, 0x89})
fmt.Printf("%s\n", s)
总结: