字符串中的每一个元素叫做“字符”,在遍历或者单个获取字符串元素时可以获得字符。
Go语言的字符类型有以下两种:

  • 一种是 uint8 类型,或者叫 byte 型,代表了 ASCII 码的一个字符。
  • 另一种是 rune 类型,代表一个 UTF-8 字符,当需要处理中文、日文或者其他复合字符时,则需要用到 rune 类型。rune 类型等价于 int32 类型。

    1 byte 类型

    byte 类型是 uint8 的别名,对于只占用 1 个字节的传统 ASCII 编码的字符来说,完全没有问题,例如 var ch byte = ‘A’,字符使用单引号括起来。
    在 ASCII 码表中,A 的值是 65,使用 16 进制表示则为 41,所以下面的写法是等效的:
    1. var ch byte = 65 var ch byte = '\x41' //(\x 总是紧跟着长度为 2 的 16 进制数)
    另外一种可能的写法是\后面紧跟着长度为 3 的八进制数,例如 \377。

    2 rune 类型

    官方解释 ``` // rune is an alias for int32 and is equivalent to int32 in all ways. It is // used, by convention, to distinguish character values from integer values.

//int32的别名,几乎在所有方面等同于int32 //它用来区分字符值和整数值

type rune = int32

  1. 这样还是对rune的作用与意义比较懵逼,通过一个简单的实例来看下rune的作用。先来看下下面这块代码执行结果。
  2. ```go
  3. package main
  4. import "fmt"
  5. func main() {
  6. var str = "hello 你好"
  7. fmt.Println("len(str):", len(str))
  8. }

我们猜测结果应该是:8。 5个字符1个空格2个汉字。那么正确答案是多少呢?

  1. $ go run ../day23-go-package/runeandbyte.go
  2. len(str): 12

结果是12,是因为:

golang中string底层是通过byte数组实现的。中文字符在unicode下占2个字节,在utf-8编码下占3个字节,而golang默认编码正好是utf-8。

那么?如果我们预期想得到一个字符串的长度,而不是字符串底层占得字节长度,该怎么办呢???

  1. package main
  2. import (
  3. "fmt"
  4. "unicode/utf8"
  5. )
  6. func main() {
  7. var str = "hello 你好"
  8. //golang中string底层是通过byte数组实现的,座椅直接求len 实际是在按字节长度计算 所以一个汉字占3个字节算了3个长度
  9. fmt.Println("len(str):", len(str))
  10. //以下两种都可以得到str的字符串长度
  11. //golang中的unicode/utf8包提供了用utf-8获取长度的方法
  12. fmt.Println("RuneCountInString:", utf8.RuneCountInString(str))
  13. //通过rune类型处理unicode字符
  14. fmt.Println("rune:", len([]rune(str)))
  15. }

运行结果:

  1. $ go run ../day23-go-package/runeandbyte.go
  2. len(str): 12
  3. RuneCountInString: 8
  4. rune: 8

golang中还有一个byte数据类型与rune相似,它们都是用来表示字符类型的变量类型。它们的不同在于:

  • byte 等同于int8,常用来处理ascii字符
  • rune 等同于int32,常用来处理unicode或utf-8字符

    3 Unicode(UTF-8)

    字符同样称为 Unicode 代码点或者 runes,并在内存中使用 int 来表示。在文档中,一般使用格式 U+hhhh 来表示,其中 h 表示一个 16 进制数。

在书写 Unicode 字符时,需要在 16 进制数之前加上前缀\u或者\U。因为 Unicode 至少占用 2 个字节,所以我们使用 int16 或者 int 类型来表示。如果需要使用到 4 字节,则使用\u前缀,如果需要使用到 8 个字节,则使用\U前缀。

  1. package main
  2. import "fmt"
  3. func main() {
  4. var ch int = '\u0041'
  5. var ch2 int = '\u03B2'
  6. var ch3 int = '\U00101234'
  7. fmt.Printf("%d - %d - %d\n", ch, ch2, ch3) // integer整数
  8. fmt.Printf("%c - %c - %c\n", ch, ch2, ch3) // character字符
  9. fmt.Printf("%X - %X - %X\n", ch, ch2, ch3) // UTF-8 bytes
  10. fmt.Printf("%U - %U - %U", ch, ch2, ch3) // UTF-8 code point 码位
  11. }

输出:

  1. $ go run ../day23-go-package/runeandbyte.go
  2. 65 - 946 - 1053236
  3. A - β - 􁈴
  4. 41 - 3B2 - 101234
  5. U+0041 - U+03B2 - U+101234%

格式化说明符%c用于表示字符,当和字符配合使用时,%v%d会输出用于表示该字符的整数,%U输出格式为 U+hhhh 的字符串。

Unicode 包中内置了一些用于测试字符的函数,这些函数的返回值都是一个布尔值,如下所示(其中 ch 代表字符):

  • 判断是否为字母:unicode.IsLetter(ch)
  • 判断是否为数字:unicode.IsDigit(ch)
  • 判断是否为空白符号:unicode.IsSpace(ch)

    4 UTF-8 和 Unicode 有何区别?

    Unicode 与 ASCII 类似,都是一种字符集。

字符集为每个字符分配一个唯一的 ID,我们使用到的所有字符在 Unicode 字符集中都有一个唯一的 ID,例如上面例子中的 a 在 Unicode 与 ASCII 中的编码都是 97。汉字“你”在 Unicode 中的编码为 20320,在不同国家的字符集中,字符所对应的 ID 也会不同。而无论任何情况下,Unicode 中的字符的 ID 都是不会变化的。

UTF-8 是编码规则,将 Unicode 中字符的 ID 以某种方式进行编码,UTF-8 的是一种变长编码规则,从 1 到 4 个字节不等。编码规则如下:

  • 0xxxxxx 表示文字符号 0~127,兼容 ASCII 字符集。
  • 从 128 到 0x10ffff 表示其他字符。

根据这个规则,拉丁文语系的字符编码一般情况下每个字符占用一个字节,而中文每个字符占用 3 个字节。

广义的 Unicode 指的是一个标准,它定义了字符集及编码规则,即 Unicode 字符集和 UTF-8、UTF-16 编码等。