Go语言中常见100问题-#36 rune使用分析

前言

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:

一个字符，正如其名，表示字符集合中的一个元素，例如，Unicode字符集包含2^21个字符
编码是将字符表用二进制来表示。例如，UTF-8是一种编码标准，将Unicode字符集用一种可变长的字节数组表示（1到4个字节）

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。

rune使用分析

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。

go 复制代码

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。

golang 复制代码

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.

golang 复制代码

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.

golang 复制代码

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。

golang 复制代码

s := string([]byte{0xE6, 0xB1, 0x89})
fmt.Printf("%s\n", s)

思考总结

字符集是一组字符，字符编码描述了如何将一个字符转换成二进制
在Go中，字符串底层切片是不可修改的
Go源代码使用UTF-8编码，因此编码后的所有字符串都是UTF-8存储。但是从文件系统中读取到的字符串不一定是UTF-8编码
rune对应一个Unicode中的码点，每个Unicode字符表示为单个rune值
采用UTF-8编码，Unicode字符集被编码为1到4个字节
Go中，len函数返回的是字符串的存储的字节数，而不是字符的个数