Golang 字符串

1. Golang 字符串

1.1. 基础概念

ASCII 是英文"American Standard Code for Information Interchange"的缩写，中文译为美国信息交换标准代码，它是由美国国家标准学会 (ANSI) 制定的单字节字符编码方案，它使用单个字节 (byte) 的二进制数来编码一个字符。

Unicode 编码规范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。Unicode 编码规范通常使用十六进制表示法来表示 Unicode 代码的整数值，并提供了三种不同的编码格式，即：UTF-8、UTF-16 和 UTF-32。

UTF-8 以 8 个比特（一个字节）作为一个编码单元，它是一种可变宽的编码方案，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。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。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 Unicode 字符，比如’吕’、‘M’。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。

1.2. 字符串编码

一个 rune 类型的值在底层其实就是一个 UTF-8 编码值，前者是（便于我们人类理解的）外部展现，后者是（便于计算机系统理解的）内在表达，请看下面代码：

func main() {
    
	str := "Go 爱好者"
	fmt.Printf("The string: %q\n", str)
	fmt.Printf("runes(char): %q\n", []rune(str))   //['G' 'o' '爱' '好' '者']
	fmt.Printf("runes(hex): %x\n", []rune(str))    //[47 6f 7231 597d 8005]
	fmt.Printf("bytes(hex): [% x]\n", []byte(str)) //[47 6f e7 88 b1 e5 a5 bd e8 80 85]
}

对于第 3 行输出，前面解释的比较清楚，就不赘述。对于第 4 行输出，就是通过 UTF-8 编码，3 个字节的 16 进制展现。第 5 行输出，把每个字符的 UTF-8 编码值都拆成相应的字节序列。

一句话总结一下：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。

1.3. 遍历字符串

range 遍历：

func main() {
    
	str := "Go 爱好者"
	fmt.Printf("range 遍历：\n")
	for i, c := range str {
    
		fmt.Printf("%d: %q [% x]\n", i, c, []byte(string(c)))
	}
	fmt.Printf("for 遍历：\n")
	for i := 0; i < len(str); i++ {
    
		fmt.Printf("%d: [%c] [%x]\n", i, str[i], str[i])
	}
}

输出如下：

range 遍历：
0: 'G' [47]
1: 'o' [6f]
2: ' ' [20]
3: '爱' [e7 88 b1]
6: '好' [e5 a5 bd]
9: '者' [e8 80 85]
for 遍历：
0: [G] [47]
1: [o] [6f]
2: [ ] [20]
3: [ç] [e7]
4: [ˆ] [88]
5: [±] [b1]
6: [å] [e5]
7: [¥] [a5]
8: [½] [bd]
9: [è] [e8]
10: [€] [80]
11: [
] [85]

由此可以看出，通过 range 方式的遍历，是以 rune 为单位，但是相邻字符的索引值并不一定是连续的；通过 for 方式的遍历，是以 byte 为单位。

1.4. 类型转换

字符串是不能直接修改的，如果需要修改，需要转换为可变类型 ([]rune 和 []bype), 待修改完后再转换回来。但不管如何转换，都需要重新分配内存，并复制数据。

func main() {
    
	str := "hello, world!"
	bs := []byte(str)  // string 转 byte
	str2 := string(bs) // byte 转 string
	rs := []rune(str)  // string 转 rune
	str3 := string(rs) // rune 转 string
}

前面已经讲解 string、rune 和 byte 的区别和联系，这里再理解他们的转换，是不是就轻松很多了呢。

1.5. 总结

Go 语言的代码是由 Unicode 字符组成的，它们都必须由 Unicode 编码规范中的 UTF-8 编码格式进行编码并存储，Unicode 编码规范中的编码格式定义的是：字符与字节序列之间的转换方式。其中的 UTF-8 是一种可变宽的编码方案，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。Go 语言中的一个 string 类型值会由若干个 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。因此，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。对于通过 for range 方式遍历字符串，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。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，一旦我们清楚了这些内在机制就不会再困惑了。对于 Go 语言来说，Unicode 编码规范和 UTF-8 编码格式算是基础之一，我们应该了解到它们对 Go 语言的重要性，这对于正确理解 Go 语言中的相关数据类型以及日后的相关程序编写都会很有好处。