Go语言之父带你重新认识字符串、字节、rune和字符

以下文章翻译自罗伯·派克发表在Go Blog的文章，文章中为读者详述了Go语言中字符串与我们经常提起的字节、字符还有rune的关系和相互之间的不同。正如派克在文中所说

字符串这个话题对于一篇博客文章来说似乎太简单了，但是要很好地使用它们，不仅需要了解它们的工作原理，还需要了解字节，字符和 rune 的区别，以及 Unicode 和 UTF- 8，字符串和字符串直接量之间的区别，以及其他甚至更细微的区别。

原文地址：https://blog.golang.org/strings

文章篇幅还是挺长的，大家时间都很宝贵所以我先把文章探究的问题的结论放在前面，有时间的同学还是建议整篇读一下。

• Go 源代码始终为 UTF-8。
• 字符串可以包含任意字节。
• 字符串文字中不包含字节级转义符时字符串始终包含有效的 UTF-8 序列。
• 代表 Unicode 码点的字节序列称为 rune。
• 在 Go 中不会保证字符串中的字符被规范化。

原文的语法、句式都很好学习Go 语言的同时还能加强一下英文阅读推荐去读英文原文，有翻译不清楚的欢迎指正。

介绍

上一篇博客文章使用许多示例说明了切片在其实现背后的机制，从而说明了切片在 Go 中的工作方式。以此为背景，本文会讨论 Go 中的字符串。一开始会让人觉得，字符串这个话题对于一篇博客文章来说似乎太简单了，但是要很好地使用它们，不仅需要了解它们的工作原理，还需要了解字节，字符和 rune 的区别，以及 Unicode 和 UTF- 8，字符串和字符串直接量之间的区别，以及其他甚至更细微的区别。

展开讨论这个话题的一种方法是将其视为对以下常见问题的解答：“当我索引 Go 字符串时，在 n 个位置为什么没有得到第 n 个字符？” 如您所见，这个问题将我们引向了许多文本在现实世界中是如何工作的细节中。

独立于 Go 语言之外，Joel Spolsky 的著名博客文章绝对绝对是每个软件开发人员绝对绝对肯定地了解 Unicode 和字符集 (无借口！) 很好地介绍了这些问题的细节。他提出的许多观点将在这里进行阐述。

什么是字符串？

让我们从一些基础知识开始。

在 Go 中，字符串实际上是只读的字节切片。如果你完全不知道一个字节切片是什么以及它是如何工作的，请阅读上一篇博客文章 ; 我们在这里假设你已经知道这些。

预先说明字符串可以包含任意字节很重要，字符串没有规定只能包含 Unicode 文本，UTF-8 文本或任何其他预定义格式。就字符串的内容而言，它完全相当于一个字节切片。

下面一个字符串文字 (稍后将进一步介绍)，该文字使用.NN 表示法定义了一个包含某些特殊字节值的字符串常量。 (当然，一个字节的范围是十六进制值 00 到 FF)。

const sample =“ .bd.b2.3d.bc.20.e2.8c.98”

打印字符串

由于字符串常量 sample 中的某些字节不是有效的 ASCII，甚至不是有效的 UTF-8，因此直接打印字符串将产生诡异的输出。下面使用简单的打印语句打印 sample

fmt.Println(sample)

输出这一堆乱码（输出会因运行环境不同而有所不同）

��=� ⌘

要找出该字符串真正包含了什么，我们需要将其分解并检查每一部分。有几种方法可以做到这一点。最明显的是遍历其内容并单独取出每个字节，如以下 for 循环所示

for i := 0; i < len(sample); i++ {
    fmt.Printf("%x ", sample[i])
}

如前所述，索引字符串访问的是单个字节，而不是字符。我们将在下面详细讨论该主题。现在，让我们关注点保持在字节上。下面是逐字节循环的输出：

bd b2 3d bc 20 e2 8c 98

注意各个字节与定义字符串的十六进制转义符匹配是如此地匹配。

为混乱的字符串生成可显示的输出的一种较短方法是使用 fmt.Printf 的％x(十六进制) 格式标记符（或者叫格式动词）。它只是将字符串的字节按顺序转换为十六进制数字，每个字节两个。

fmt.Printf("%x.", sample)

将其输出与上面的输出进行比较：

bdb23dbc20e28c98

一个不错的技巧是在格式标记符中使用 “空格” 标志，在％和 x 之间放置一个空格。然后将此处使用的格式字符串与上面的格式字符串进行比较，

fmt.Printf("% x.", sample)

注意字节之间留有的空格，从而使结果不那么难以理解：

bd b2 3d bc 20 e2 8c 98

还有一件事。 ％q(带引号) 动词将转义字符串中所有不可打印的字节序列，会让输出无歧义。

fmt.Printf("%q.", sample)

当字符串的大部分为可理解文本，但有一些特殊的含义可以根除时，这个技巧很方便。它会输出：

".bd.b2=.bc ⌘"

如果斜视一下，我们可以看到噪声点中隐藏的是一个 ASCII 等号以及一个规则的空格，最后出现了著名的瑞典 “景点” 符号。该符号的 Unicode 值为 U + 2318，由空格后的字节编码为 UTF-8 (十六进制值 20)：e2 8c 98。

如果我们不熟悉字符串或对字符串中奇奇怪怪的值感到困惑，可以在％q 动词上使用 “加号” 标志。此标志使输出在解释 UTF-8 时不仅转义不可打印的序列，而且还会转义所有非 ASCII 字节。结果是它输出了格式正确的 UTF-8 的 Unicode 值，该值表示字符串中的非 ASCII 数据：

fmt.Printf("%+q.", sample)

使用这种格式时，瑞典符号的 Unicode 值显示为. 转义符：

".bd.b2=.bc .2318"

在调试字符串的内容时，这些打印技巧会很有用，并且在下面的讨论中使用也会很方便。值得指出的是，所有这些方法对于字节切片的行为与对字符串的行为完全相同。

下面是我们已列出的所有打印选项的全集，以完整的程序形式呈现出来，您可以在浏览器中直接运行 (和编辑)：

译注：指的是在 go playground 的浏览器运行环境中。

package main

import "fmt"

func main() {
    const sample = ".bd.b2.3d.bc.20.e2.8c.98"

    fmt.Println("Println:")
    fmt.Println(sample)

    fmt.Println("Byte loop:")
    for i := 0; i < len(sample); i++ {
        fmt.Printf("%x ", sample[i])
    }
    fmt.Printf(".")

    fmt.Println("Printf with %x:")
    fmt.Printf("%x.", sample)

    fmt.Println("Printf with % x:")
    fmt.Printf("% x.", sample)

    fmt.Println("Printf with %q:")
    fmt.Printf("%q.", sample)

    fmt.Println("Printf with %+q:")
    fmt.Printf("%+q.", sample)
}

[练习：修改上面的示例，以使用一个字节切片代替字符串。提示：使用转换来创建切片。]

[练习：循环遍历字符串在每个字节上使用％q 格式化标记符。看看输出告诉您什么？]

UTF-8和字符串直接量

如我们所见，索引字符串会产生其字节，而不是其字符：字符串只是一堆字节。这意味着，当我们将字符存储在字符串中时，将存储其字节表示。让我们通过一个更容易控制的示例，看看这个过程是如何发生。

下面是一个简单的程序，使用了三种不同的方式打印一个只有一个字符的字符串常量。一次作为普通字符串，一次是用引号括起来的纯 ASCII 字符串，一次是十六进制的单个字节。为避免混淆，我们创建了一个 “原始字符串”，并用反引号将其括起来，因此它只能包含文字文本。 (在上面的例子中我们已经见过，用双引号括起来的常规字符串可以包含转义序列。)

func main() {
    const placeOfInterest = `⌘`

    fmt.Printf("plain string: ")
    fmt.Printf("%s", placeOfInterest)
    fmt.Printf(".")

    fmt.Printf("quoted string: ")
    fmt.Printf("%+q", placeOfInterest)
    fmt.Printf(".")

    fmt.Printf("hex bytes: ")
    for i := 0; i < len(placeOfInterest); i++ {
        fmt.Printf("%x ", placeOfInterest[i])
    }
    fmt.Printf(".")
}

输出为：

plain string: ⌘
quoted string: ".2318"
hex bytes: e2 8c 98

这使我们想起 Unicode 字符值 U + 2318，即⌘，由字节 e2 8c 98 表示，并且这些字节是十六进制值 2318 的 UTF-8 编码。

根据你对 UTF-8 的熟悉程度，上面的结果对你来说可能很明显，也可能很微妙，但是这值得花一点时间来解释字符串的 UTF-8 表示形式是如何被创建。一个简单的事实是：它是在编写源代码时创建的。

Go 中的源代码被定义为 UTF-8 文本；其他字符串表示形式是不被循序的。这意味着当我们在源代码中编写文本时

`⌘`

用于创建程序的文本编辑器将符号⌘的 UTF-8 编码放入源文本中。当我们打印出十六进制字节时，我们只是在输出了编辑器放置在源码文件中的数据。

简而言之，Go 源代码为 UTF-8 编码格式的，源代码中的字符串直接量是 UTF-8 文本。如果字符串直接量不包含转移字符序列，就像原始字符串一样，则构造的字符串将精确地保留引号之间的源文本。因此，根据定义和构造，原始字符串将始终包含其内容的有效 UTF-8 表示形式。同样，除非它包含上一节中提到的转义符，否则常规字符串文字也将始终包含有效的 UTF-8 文本。

有人认为 Go 字符串始终是 UTF-8 编码格式的，但不是：只有字符串直接量才始终是 UTF-8 的。如上一节所示，字符串值可以包含任意字节；就像我们在本文中所展示的那样，字符串 literal 只要不包含字节级转义符，就始终包含 UTF-8 文本。

总而言之，字符串可以包含任意字节，但是从字符串直接量构造字符串时，这些字节 (几乎总是) 是 UTF-8 的。

码点，字符和 rune

到目前为止，我们在使用 “字节” 和 “字符” 这两个词时都非常小心。部分原因是字符串包含字节，部分原因是 “字符” 的概念很难定义。 Unicode 标准使用术语 “码点” 来指代由单个 Unicode 值表示的个体。具有十六进制值 2318 的码点 U + 2318 表示符号⌘。 (有关该码点的更多信息，请参见其 Unicode 页面。)

译者注：⌘是一个 Unicode 码点，其 Unicode 值是 U2318

举一个比较平淡的例子，Unicode 代码点 U + 0061 是小写拉丁字母 'A'：

但是小写的带有重音符号的字母 'A' 怎么办？这是一个字符，它也是一个代码点 (U + 00E0)，但是它还有其他表示形式。例如，我们可以使用 “组合” 重音符号代码点 U + 0300，并将其附加到小写字母 a，U + 0061，以创建相同的字符 à。通常，字符可以由许多不同的代码点序列表示，因此也可以由 UTF-8 字节的不同序列表示。

因此，计算中的字符概念是模棱两可的，或者至少是令人困惑的，因此我们谨慎使用它。为了使事情变得可靠，有标准化技术保证给定字符始终由相同的代码点表示，但该主题目前离我们这篇博客的主题太远了。稍后的博客文章将解释 Go 库如何解决规范化。

“码点” 有点冗长，因此 Go 为该概念引入了一个较短的术语：rune。该术语出现在库和源代码中，其含义与 “码点” 完全相同。

Go 语言将单词 rune 定义为类型 int32 的别名，因此当整数值表示码点时，程序会很清晰。此外，你可能会认为是字符常量的常量在 Go 中称为 rune 常量。下面表达式的类型和值

'⌘'

是 rune，它的整数值为 0x2318。

总结一下，这是要点：

• Go 源代码始终为 UTF-8。
• 字符串可以包含任意字节。
• 字符串文字中不包含字节级转义符时字符串始终包含有效的 UTF-8 序列。
• 代表 Unicode 码点的字节序列称为 rune。
• 在 Go 中不会保证字符串中的字符被规范化。

Range 循环

除了关于 Go 源代码为 UTF-8 的细节外，Go 确实有且只有一种特别对待 UTF-8 的方式，那就是在字符串上使用 for range 循环时。

我们已经看到了常规 for 循环会发生什么。相比之下， range 循环在每次迭代中会解码一个 UTF-8 编码 rune。每次循环时，循环的索引都是当前 rune 的起始位置 (以字节为单位)，码点是其值。这是使用另一个方便的 Printf 格式化占位符％#U 格式化字符串的示例，该格式话输出显示了码点的 Unicode 值及其打印表示形式：

const nihongo = "日本語"
for index, runeValue := range nihongo {
    fmt.Printf("%#U starts at byte position %d.", runeValue, index)
}

输出显示每个码点会占用多个字节：

U+65E5 '日' starts at byte position 0
U+672C '本' starts at byte position 3
U+8A9E '語' starts at byte position 6

[练习：将无效的 UTF-8 字节序列放入字符串中。 循环的迭代会发生什么？]

库

Go 的标准库为解释 UTF-8 文本提供了强大的支持。如果用于 ` range 循环的 ` 不足以满足您的目的，则库中的软件包可能会提供您需要的功能。

最重要的软件包是 unicode / utf8，其中包含用于验证，插解和重新组装 UTF-8 字符串的帮助程序。这是一个相当于上面 range 示例的程序，但是使用该包中的 DecodeRuneInString 函数进行工作。该函数的返回值是 rune 及其宽度 (以 UTF-8 编码的字节)。

const nihongo = "日本語"
for i, w := 0, 0; i < len(nihongo); i += w {
    runeValue, width := utf8.DecodeRuneInString(nihongo[i:])
    fmt.Printf("%#U starts at byte position %d.", runeValue, i)
    w = width
}

运行它以查看其执行相同的操作。range 循环和普通循环中使用 DecodeRuneInString 会产生完全相同的迭代序列。

请查看文档中的 unicode / utf8 软件包，以了解它提供了哪些其他功能。

结论

现在回答开始时提出的问题：字符串是由字节构建的，因此对它们进行索引将生成字节，而不是字符。字符串甚至可能不包含字符。实际上，“字符” 的定义是模棱两可的，试图通过定义字符串是由字符组成这种说法来解决歧义是错误的。

关于 Unicode，UTF-8 和多语言文本处理还有很多话要说，但是它可以等待下一篇文章。现在，我们希望你对 Go 字符串的行为有更好的了解，尽管它们可能包含任意字节，但 UTF-8 是其设计的核心部分。

关注下方公众号第一时间获取推送，近期文章推荐：

深入学习用Go编写HTTP服务器

五分钟用Docker快速搭建Go开发环境

十分钟学会用Go编写Web中间件