Go語言中的字元和字串

這是一個建立於 的文章，其中的資訊可能已經有所發展或是發生改變。

Go語言中的字元

在Go語言中，沒有字元類型，字元類型是rune類型，rune是int32的別稱。

下面用一個簡單的程式來示範字元類型：

package mainimport (    "fmt"    "reflect")func main() {    r := '我'    fmt.Printf("%q的類型為：%t 二進位為：%b\n", r, r, r)    rType := reflect.TypeOf(r).Kind()    fmt.Printf("r的實際類型為：%s\n", rType)}

程式輸出：

'我'的類型為：%!t(int32=25105) 二進位為：110001000010001r的實際類型為：int32

Go語言天生支援Unicode，那我產生一個問題：Unicode字元的長度是多少？
這個問題的問法有沒有問題？其實仔細想想，這樣問是有問題的。首先，Unicode的基礎是一個有編號的字元集，在字元集之上又規定了模組化的編碼等等技術層次，各種具體的編碼形式並不一致。因此，嚴格來說，Unicode是沒有“長度”這一說的，它是抽象的字元，只有Unicode的編碼才有具體的位元組長度。而且不同的編碼實現，長度也不一樣。

Unicode 目前規劃的總空間是17個平面（平面0至16），每個平面有 65536 個碼點。我們常用的平面0（「Basic Multilingual Plane」，即「BMP」）碼點範圍為0x0000 至 0xFFFF，這並不是 Unicode 的全部。

BMP 的字元是 Unicode 中最基礎和最常用的一部分，以 UTF-16 編碼時使用2位元組，以 UTF-8編碼時使用1至3位元組。超出 BMP 的字元以 UTF-16 或 UTF-8 編碼都需要4位元組。另外還有一個比較少用的編碼形式，UTF-32，它編碼任何 Unicode 字元都需要4個位元組。

Go語言中的字串

Go語言的字串有兩種方式來表示：

• 雙引號，可以使用逸出字元，如s := "Go語言字串\n不能跨行賦值"
  

• 反引號，字串跟反引號中的格式一樣，即Raw Type

  s := `Go原格式字串    可以跨行`

Go語言的字串是以UTF-8格式編碼並儲存的，下面有一個簡單的例子：

package mainimport (    "fmt")func main() {    s := "我"    fmt.Printf("s的類型為：%t, 長度為：%d, 16進位為：%x\n", s, len(s), s)    for i, b := range []byte(s) {        fmt.Printf("第%d個位元組為：%b\n", i, b)    }}

程式輸出：

s的類型為：%!t(string=我), 長度為：3, 16進位為：e68891第0個位元組為：11100110第1個位元組為：10001000第2個位元組為：10010001

變數s中存放的是這個字串的UTF-8編碼，當你使用len(s)函數擷取字串的長度時，擷取的是該字串的UTF-8編碼長度，儲存一個字元可能需要 2個、3個或者4個位元組，它是不固定的。

UTF-8的編碼遵循如下2條規則：

• 對於單位元組的符號，位元組的第一位設為0，後面7位為這個符號的unicode碼。因此對於英語字母，UTF-8編碼和ASCII碼是相同的。
  
• 對於n位元組的符號（n>1），第一個位元組的前n位都設為1，第n+1位設為0，後面位元組的前兩位一律設為10。剩下的沒有提及的二進位位，全部為這個符號的unicode碼。

根據這兩條簡單的規則，我們可以把UTF-8編碼轉換為Unicode的碼點:

//utf8轉為unicode          1110 0110 1000 1000 1001 0001 // s               0110   00 1000   01 0001 // s utf8 -> unicode          0000 0000 0110 0010 0001 0001 // s utf8 -> unicode0000 0000 0000 0000 0110 0010 0001 0001 // r

我們可以看到上面推導的結果跟程式的輸出結果相符。

參考

• 字元編碼筆記：ASCII，Unicode和UTF-8