讲清楚Go字符串和utf8编码

unicode 字符集

unicode 字符集给世界上每个字符做了编码，每个字符对应一个码点(code pooint)。unicode字符集将所有的字符按平面划分，分为1个基础平面+16个补充平面，参考：unicode字符集。

码点范围：

基础平面：U+0000 - U+FFFF
补充平面：U+10000 - U+10FFFF

注意：这里码点用16进制写法，每个16进制位等于4个二进制位，2个16进制位就等于1字节。

utf8

unicode码点不好被计算机直接存储，假如每个字符都按最长码点(U+10FFFF)，用3字节存储，对基础平面的字符是极大的浪费，而我们日常用的最多的就是基础平面的字符。

出于这个原因，utf8被发明出来。utf8是一种编码方式，它规定每个unicode码点如何被编码。简单来说，它的规则很简单：

根据码点范围，决定需要的字节数
前缀+码点二进制

下面的表格具体展示了码点范围和对应的编码规则

分类	范围	Byte1	Byte2	Byte3	Byte4
基本平面	U+0000, U+007F	0xxxxxxx
	U+0080, U+07FF	110xxxxx	10xxxxxx
	U+0800, U+FFFF	1110xxxx	10xxxxxx	10xxxxxx
补充平面	U+10000, U+10FFFF	11110xxx	10xxxxxx	10xxxxxx	10xxxxxx

1个基本平面的字符被细分成了三个范围，16个补充片面算一个范围，具体来说：

$U+0000,U+007F\]: 这之间的码点，用1个字节编码，前缀是0，剩下的7位就是码点的二进制位$
$U+0800, U+FFFF\]，\[U+10000,U+10FFFF\]: 以此类推$

中文"世"的码点是：4E16

码点写成二进制：0100,1110,0001,0110

码点落在第3区间，utf8编码为：11100100 ,10111000 ,10010110

utf8编码用16进制表示：E4B896

中文"界"的码点是：754C

码点写成二进制：0111,0101,0100,1100

码点落在第3区间，utf8编码为：11100111 ,10010101 ,10001100

utf8编码用16进制表示：E7958C

Go 字符串

Go 中的字符串就是byte slice，Go 对于string literal采用utf8编码，每个byte存的就是utf8编码的结果。

go 复制代码

word := "世界"
fmt.Printf("% x\n", word)  // output: e4 b8 96 e7 95 8c
fmt.Printf("% x\n", []byte(word)) // same output: e4 b8 96 e7 95 8c

要强调的是，string本身就是一个byte slice，没有任何特殊。只是 Go 在处理 string literal 时，默认将 utf8 编码存到这个byte slice中。除此以外，我们可以随意往里面插入字节，甚至是无法用utf8解析的字节。

go 复制代码

utf8Bytes := []byte{0xe4, 0xb8, 0x96, 0xe7, 0x95, 0x8c}
fmt.Printf("%s\n", string(utf8Bytes)) // output: 世界

utf8Bytes = append(utf8Bytes, 0xff) // 插入一个不合法的utf8字节
fmt.Printf("%s\n", string(utf8Bytes)) // output: 世界�

在打印时，对于无法用 utf8 解析的字符，默认输出�，这叫replacement character。当渲染失败时，默认展示这个字符，它的码点是U+FFFD。

Go 字符

Go 中单个字符直接存储unicode码点，不经过utf8编码。一个很直观的例子

go 复制代码

s := "世"
c := '世'
fmt.Printf("%x\n", s) // output: E4B896
fmt.Printf("%x\n", c) // output: 4E16

双引号"世"被当做字符串，存储 utf8 编码，单引号'世'被当做单个字符，直接存储 unicode 码点。

Go 给 unicode 码点取了新名字: rune。从定义来看：type rune = int32，rune和int32完全等价。这也说明码点在Go中永远都是用4字节存储。

我们可以把 string 的每个utf8字符解码成码点(rune)输出。

go 复制代码

world := "世界"
fmt.Printf("%x\n", []rune(world)) // output: [4e16 754c]