Go语言中常见100问题-#37 Inaccurate string iteration

字符串迭代误区

对字符串进行迭代是一个非常常见的操作，例如我们想要对字符串中的每个rune做一些操作或者实现一个查找具体子串的函数。但是字符串迭代中存在一些误区，需要了解掌握，避免踩坑。

来看一个具体的例子，我们想打印字符串中每个rune字符以及它所在的位置，实现代码如下。

s := "hêllo"
for i := range s {
    fmt.Printf("position %d: %c\n", i, s[i])
}
fmt.Printf("len=%d\n", len(s))

通过range迭代字符串s，输出每个rune的位置和内容如下。

position 0: h
position 1: Ã
position 3: l
position 4: l
position 5: o
len=6

啥？输出是这样的吗，怎么与我们预期的不一致。主要在以下三个方面：

• 第二个rune是Ã而不是字符串中的ê
• 输出的rune位置直接从1跳到了3，没有位置2
• len输出字符串长度是6，但是打印的只有5个字符

len输出的值为啥是6而不是5呢？因为len返回的是字符串中byte的数量，而不是字符的个数。将字符串赋值给s后，s被编码为UTF-8。字符ê不是一个简单字符，编码后占用2个字节而不是1个字节。

那如果我们想要统计一个字符串中字符的个数而不是byte数量，怎么办呢？处理方法依赖于字符串采用的编码，像本文中字符串s采用的是UTF-8编码，可以使用 unicode/utf8 包提供的统计字符串数量函数。

fmt.Println(utf8.RuneCountInString(s)) // 5

现在回头来分析上述迭代输出内容为啥是这样的原因。如下图所示，打印s[i]的值并不是打印第i个rune的内容，而是从索引位置i开始UTF-8编码后的内容，所以输出的是hÃllo而不是hêllo。

for i := range s {
    fmt.Printf("position %d: %c\n", i, s[i])
}

如果我们想原样输出每个字符，有两种方法。方法一是采用range返回的每个字符，实现代码如下。与最初版本实现的不同点是，打印变量r的值而不是s[i]. range作用于字符串时会返回两个值，值1是rune的下标索引，值2是rune本身。

s := "hêllo"
for i, r := range s {
    fmt.Printf("position %d: %c\n", i, r)
}

上述程序输出结果如下：

position 0: h
position 1: ê
position 3: l
position 4: l
position 5: o 

方法二是将字符串转成rune切片，然后遍历rune切片，实现代码如下。相比最初版本，这里直接打印每个rune索引。

s := "hêllo"
runes := []rune(s)
for i, r := range runes {
    fmt.Printf("position %d: %c\n", i, r)
}
position 0: h
position 1: ê
position 2: l
position 3: l
position 4: o

相比方法一，方法二引入了运行时开销，将字符串转为rune切片需要额外分配内存，将byte转为rune也有O(n)的时间复杂度开销（n为字符串长度）。因此，如果我们想迭代全部的rune，推荐使用方法一。

但是，如果我们想通过下标索引访问字符串中第i个rune字符，此时我们并不知道它准确的起始位置，例如在hêllo中，第一个 l 字符的起始位置是3而不是2. 相反，通过字符串的rune切片，直接访问切片中的第i个值便是我们想要获取的第i个rune字符，这种情况下，我们应该选用方法二。

下面的代码直接输出字符串s中第5个字符。

s := "hêllo"
r := []rune(s)[4]
fmt.Printf("%c\n", r) // o

「NOTE: 访问字符串中某个字符优化方法：如果字符串中所有的字符都是单字节的，例如，字符串中所有的字符都在A-Z或a-z，我们可以直接访问第i个字符，而不用先将字符串转为rune切片。实例代码如下。」

s := "hello"
fmt.Printf("%c\n", rune(s[4])) // o