欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Golang中的Unicode与字符串示例详解

程序员文章站 2022-07-02 20:45:29
背景: 在我们使用golang进行开发过程中,总是绕不开对字符或字符串的处理,而在golang语言中,对字符和字符串的处理方式可能和其他语言不太一样,比如python或java类的语言,本篇文章分享一...

背景:

在我们使用golang进行开发过程中,总是绕不开对字符或字符串的处理,而在golang语言中,对字符和字符串的处理方式可能和其他语言不太一样,比如python或java类的语言,本篇文章分享一些golang语言下的unicode和字符串编码。

go语言字符编码

注意: 在golang语言中的标识符可以包含 " 任何unicode编码可以标识的字母字符 "。

被转换的整数值应该可以代表一个有效的 unicode 代码点,否则转换的结果就将会是 "�",即:一个仅由高亮的问号组成的字符串值。

另外,当一个 string 类型的值被转换为 []rune 类型值的时候,其中的字符串会被拆分成一个一个的 unicode 字符。

显然,go 语言采用的字符编码方案从属于 unicode 编码规范。更确切地说,go 语言的代码正是由 unicode 字符组成的。go 语言的所有源代码,都必须按照 unicode 编码规范中的 utf-8 编码格式进行编码。

换句话说,go 语言的源码文件必须使用 utf-8 编码格式进行存储。如果源码文件中出现了非 utf-8 编码的字符,那么在构建、安装以及运行的时候,go 命令就会报告错误 " illegal utf-8 encoding "。

ascii 编码

ascii 编码方案使用单个字节(byte)的二进制数来编码一个字符。标准的 ascii 编码用一个字节的最高比特(bit)位作为奇偶校验位,而扩展的 ascii 编码则将此位也用于表示字符。ascii 编码支持的可打印字符和控制字符的集合也被叫做 ascii 编码集。

我们所说的 unicode 编码规范,实际上是另一个更加通用的、针对书面字符和文本的字符编码标准。它为世界上现存的所有自然语言中的每一个字符,都设定了一个唯一的二进制编码。

它定义了不同自然语言的文本数据在国际间交换的统一方式,并为全球化软件创建了一个重要的基础。

unicode 编码规范以 ascii 编码集为出发点,并突破了 ascii 只能对拉丁字母进行编码的限制。它不但提供了可以对世界上超过百万的字符进行编码的能力,还支持所有已知的转义序列和控制代码。

我们都知道,在计算机系统的内部,抽象的字符会被编码为整数。这些整数的范围被称为代码空间。在代码空间之内,每一个特定的整数都被称为一个代码点。

一个受支持的抽象字符会被映射并分配给某个特定的代码点,反过来讲,一个代码点总是可以被看成一个被编码的字符。

unicode 编码规范通常使用十六进制表示法来表示 unicode 代码点的整数值,并使用 “u+” 作为前缀。比如,英文字母字符 “a” 的 unicode 代码点是 u+0061。在 unicode 编码规范中,一个字符能且只能由与它对应的那个代码点表示。

unicode 编码规范现在的最新版本是 11.0,并会于 2019 年 3 月发布 12.0 版本。而 go 语言从 1.10 版本开始,已经对 unicode 的 10.0 版本提供了全面的支持。对于绝大多数的应用场景来说,这已经完全够用了。

unicode 编码规范提供了三种不同的编码格式,即:utf-8、utf-16 和 utf-32。其中的 utf 是 ucs transformation format 的缩写。而 ucs 又是 universal character set 的缩写,但也可以代表 unicode character set。所以,utf 也可以被翻译为 unicode 转换格式。它代表的是字符与字节序列之间的转换方式。

在这几种编码格式的名称中,“-” 右边的整数的含义是,以多少个比特位作为一个编码单元。以 utf-8 为例,它会以 8 个比特,也就是一个字节,作为一个编码单元。并且,它与标准的 ascii 编码是完全兼容的。也就是说,在 [0x00, 0x7f] 的范围内,这两种编码表示的字符都是相同的。这也是 utf-8 编码格式的一个巨大优势。

utf-8 是一种可变宽的编码方案。换句话说,它会用一个或多个字节的二进制数来表示某个字符,最多使用四个字节。比如,对于一个英文字符,它仅用一个字节的二进制数就可以表示,而对于一个中文字符,它需要使用三个字节才能够表示。不论怎样,一个受支持的字符总是可以由 utf-8 编码为一个字节序列。以下会简称后者为 utf-8 编码值。

string类型的底层存储

在 go 语言中,一个 string 类型的值既可以被拆分为一个包含多个字符的序列,也可以被拆分为一个包含多个字节的序列。

前者可以由一个以 rune 为元素类型的切片来表示,而后者则可以由一个以 byte 为元素类型的切片代表。

rune 是 go 语言特有的一个基本数据类型,它的一个值就代表一个字符,即:一个unicode 字符(再通俗点,就是一个中文字符,占3byte)。

从golang语言的源码(https://github.com/golang/go/blob/master/src/builtin/builtin.go#l92)中我们其实可以知道,rune类型底层其实是一个int32类型。

我们已经知道,utf-8 编码方案会把一个 unicode 字符编码为一个长度在[1, 4] 范围内的字节序列,也就是说,一个 rune 类型的值会由四个字节宽度的空间来存储。它的存储空间总是能够存下一个 utf-8 编码值。

我们可以看如下代码:

func unicodeandutf8() {
 tempstr := "bgbiao 的sre人生."
 fmt.printf("string:%q\n",tempstr)
 fmt.printf("rune(char):%q\n",[]rune(tempstr))
 fmt.printf("rune(hex):%x\n",[]rune(tempstr))
 fmt.printf("bytes(hex):% x\n",[]byte(tempstr))
}

对应输出的效果如下:

string:"bgbiao 的sre人生."
rune(char):['b' 'g' 'b' 'i' 'a' 'o' ' ' '的' 's' 'r' 'e' '人' '生' '.']
rune(hex):[42 47 42 69 61 6f 20 7684 53 52 45 4eba 751f 2e]
bytes(hex):42 47 42 69 61 6f 20 e7 9a 84 53 52 45 e4 ba ba e7 94 9f 2e

第二行输出可以看到字符串在被转换为[]rune类型的值时,其中每个字符都会成为一个独立的rune类型的元素值。而每个rune底层的值都是采用utf-8编码值来表达的,所以第三行的输出,我们采用16进制数来表示上述字符串,每一个16进制的字符分别表示一个字符,我们可以看到,当遇到中文字符时,由于底层存储需要更大的空间,所以使用的16进制数字也比较大,比如4eba和751f分别代表人和生。

但其实,当我们将整个字符的utf-8编码值都拆成响应的字节序列时,就变成了第四行的输出,可以看到一个中文字符其实底层是占用了三个byte,比如e4 ba ba和e7 94 9f分别对应uft-8编码值的4eba和751f,也即中文字符中的人和生。

注意: 对于一个多字节的 utf-8 编码值来说,我们可以把它当做一个整体转换为单一的整数,也可以先把它拆成字节序列,再把每个字节分别转换为一个整数,从而得到多个整数。

我们对上述字符串的底层编码进行图形拆解:

Golang中的Unicode与字符串示例详解

总之,一个 string 类型的值会由若干个 unicode 字符组成,每个 unicode 字符都可以由一个 rune 类型的值来承载。这些字符在底层都会被转换为 utf-8 编码值,而这些 utf-8 编码值又会以字节序列的形式表达和存储。

所以,一个 string 类型的值在底层就是一个能够表达若干个 utf-8 编码值的字节序列。

range遍历字符串示例

注意: 带有 range 子句的 for 语句会先把被遍历的字符串值拆成一个字节序列,然后再试图找出这个字节序列中包含的每一个 utf-8 编码值,或者说每一个 unicode 字符。因此在 range for 语句中,赋给第二个变量的值是utf-8 编码值代表的那个 unicode 字符,其类型会是 rune。

我们来看如下代码:

func rangestring() {
 tempstr := "bgbiao 人生"
 for k,v := range tempstr {
  fmt.printf("%d : %q %x [% x]\n",k,v,[]rune(string(v)),[]byte(string(v)))
 }
}

使用 for range 进行遍历字符串,得到如下结果:

0 : 'b' [42] [42]
1 : 'g' [47] [47]
2 : 'b' [42] [42]
3 : 'i' [69] [69]
4 : 'a' [61] [61]
5 : 'o' [6f] [6f]
6 : ' ' [20] [20]
7 : '人' [4eba] [e4 ba ba]
10 : '生' [751f] [e7 94 9f]

可以看到,遍历字符串中的每个字符时,对应的表示方式和我们上图中分析的是一致的,但是你有没有发现一个小问题呢?

即在遍历过程中,最后一个字符生的索引一下从7变成了10,这是因为人这个字符底层是由三个字节共同表达的,即[e4 ba ba],因此下一个字符的索引值就需要加3,而生的索引值也就变成了10而不是8。

所以,需要注意的是: for range 语句可以逐一的迭代出字符串值里的每个unicode字符,但是相邻的unicode字符的索引值并不一定是连续的,这取决于前一个unicode字符是否为单字节字符。

总结

到此这篇关于golang中unicode与字符串示例的文章就介绍到这了,更多相关golang unicode与字符串内容请搜索以前的文章或继续浏览下面的相关文章希望大家以后多多支持!