[译] Go 语言之父带你重新认识字符串、字节、rune 和字符

栏目: IT技术 · 发布时间: 3年前

内容简介: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。

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)。

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

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

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:

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.Printfx (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。

将其输出与上面的输出进行比较:

一个不错的技巧是在格式标记符中使用 “空格” 标志,在 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,

注意字节之间留有的空格,从而使结果不那么难以理解:

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。

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:

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:

使用这种格式时,瑞典符号的 Unicode 值显示为 . 转义符:

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。

[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。)

输出为:

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

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,该格式化输出显示了码点的 Unicode 值及其打印表示形式:

输出显示每个码点会占用多个字节:

[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?]

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)。

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。


以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网

查看所有标签

猜你喜欢:

本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们

软件调试

软件调试

张银奎 / 电子工业出版社 / 2008-6 / 128.00元

围绕如何实现高效调试这一主题,本书深入系统地介绍了以调试器为核心的各种软件调试技术。本书共30章,分为6篇。第1篇介绍了软件调试的概况和简要历史。第2篇以英特尔架构(IA)的CPU为例,介绍了计算机系统的硬件核心所提供的调试支持,包括异常、断点指令、单步执行标志、分支监视、JTAG和MCE等。第3篇以Windows操作系统为例,介绍了计算机系统的软件核心中的调试设施,包括内核调试引擎、用户态调试子......一起来看看 《软件调试》 这本书的介绍吧!

RGB转16进制工具
RGB转16进制工具

RGB HEX 互转工具

MD5 加密
MD5 加密

MD5 加密工具

XML、JSON 在线转换
XML、JSON 在线转换

在线XML、JSON转换工具