Go语言中文网 2022-03-15 08:52
刚接触 Go 语言时,就听说有一个叫 rune 的数据类型,即使查阅过一些资料,对它的理解依旧比较模糊,加之对陌生事物的天然排斥,在之后很长一段时间的编程工作中,我都没有让它出现在我的代码里。
逃避虽然有用,但是似乎有些可耻,想要成为一名成熟、优秀的 Go 语言开发工程师,必须要有直面陌生事物并且成功运用的勇气和能力,带着这样的觉悟,让我们一起走近 rune,直视它!
了解一下,rune类型究竟是什么?
rune 类型是 Go 语言的一种特殊数字类型。在 builtin/builtin.go 文件中,它的定义:type rune = int32;官方对它的解释是:rune 是类型 int32 的别名,在所有方面都等价于它,用来区分字符值跟整数值。使用单引号定义 ,返回采用 UTF-8 编码的 Unicode 码点。Go 语言通过 rune 处理中文,支持国际化多语言。
众所周知,Go 语言有两种类型声明方式:一种叫类型定义声明,另一种叫类型别名声明。其中,别名的使用在大型项目重构中作用最为明显,它能解决代码升级或迁移过程中可能存在的类型兼容性问题。而rune 跟 byte 是 Go 语言中仅有的两个类型别名,专门用来处理字符。当然,我们也可以通过 type 关键字加等号的方式声明更多的类型别名。
学习一下,rune类型怎么用?
我们知道,字符串由字符组成,字符的底层由字节组成,而一个字符串在底层的表示是一个字节序列。在 Go 语言中,字符可以被分成两种类型处理:对占 1 个字节的英文类字符,可以使用 byte(或者 unit8 );对占 1 ~ 4 个字节的其他字符,可以使用 rune(或者 int32 ),如中文、特殊符号等。
下面,我们通过示例应用来具体感受一下。
统计带中文字符串长度
// 使用内置函数 len() 统计字符串长度
fmt.Println(len("Go语言编程")) // 输出:14
前面说到,字符串在底层的表示是一个字节序列。其中,英文字符占用 1 字节,中文字符占用 3 字节,所以得到的长度 14 显然是底层占用字节长度,而不是字符串长度,这时,便需要用到 rune 类型。
// 转换成 rune 数组后统计字符串长度
fmt.Println(len(【】rune("Go语言编程"))) // 输出:6
这回对了。很容易,我们解锁了 rune 类型的第一个功能,即统计字符串长度。
截取带中文字符串
如果想要截取字符串中 ”Go语言“ 这一段,考虑到底层是一个字节序列,或者说是一个数组,通常情况下,我们会这样:
s := "Go语言编程"
// 8=21+23
fmt.Println(s【0:8】) // 输出:Go语言
结果符合预期。但是,按照字节的方式进行截取,必须预先计算出需要截取字符串的字节数,如果字节数计算错误,就会显示乱码,比如这样:
s := "Go语言编程"
fmt.Println(s【0:7】) // 输出:Go语?
此外,如果截取的字符串较长,那通过字节的方式进行截取显然不是一个高效准确的办法。那有没有不用计算字节数,简单又不会出现乱码的方法呢?不妨试试这样:
s := "Go语言编程"
// 转成 rune 数组,需要几个字符,取几个字符
fmt.Println(string(【】rune(s)【:4】)) // 输出:Go语言
到这里,我们解锁了 rune 类型的第二个功能,即截取字符串。
思考一下,为什么 rune 类型可以做到?
通过上面的示例,我们发现似乎在处理带中文的字符串时,都需要用到 rune 类型,这究竟是为什么呢?除了使用 rune 类型,还有其他方法吗?
在深入思考之前,我们需要首先弄清楚 string 、byte、rune 三者间的关系。
字符串在底层的表示是由单个字节组成的一个不可修改的字节序列,字节使用 UTF-8【1】 编码标识 Unicode【2】 文本。Unicode 文本意味着 .go 文件内可以包含世界上的任意语言或字符,该文件在任意系统上打开都不会乱码。UTF-8 是 Unicode 的一种实现方式,是一种针对 Unicode 可变长度的字符编码,它定义了字符串具体以何种方式存储在内存中。UFT-8 使用 1 ~ 4 为每个字符编码。
Go 语言把字符分 byte 和 rune 两种类型处理。byte 是类型 unit8 的别名,用于存放占 1 字节的 ASCII 字符,如英文字符,返回的是字符原始字节。rune 是类型 int32 的别名,用于存放多字节字符,如占 3 字节的中文字符,返回的是字符 Unicode 码点值。如下图所示:
s := "Go语言编程"
// byte
fmt.Println(【】byte(s)) // 输出:【71 111 232 175 173 232 168 128 231 188 150 231 168 139】
// rune
fmt.Println(【】rune(s)) // 输出:【71 111 35821 35328 32534 31243】
它们的对应关系如下图:了解了这些,我们再回过来看看,刚才的问题是不是清楚明白很多?接下来,让我们再来看看源码中是如何处理的,以 utf8.RuneCountInString()【3】 函数为例。
示例:
// 统计字符串长度
fmt.Println(utf8.RuneCountInString("Go语言编程")) // 输出:6
源码:
// RuneCountInString is like RuneCount but its input is a string.
func RuneCountInString(s string) (n int) {
// 调用 len() 函数得到字节数
ns := len(s)
for i := 0; i < ns; n++ {
c := s【i】
// 如码点值小于 128,则为占 1 字节的 ASCII 字符(或者说英文字符),长度 + 1
if c < RuneSelf { // RuneSelf = 128
// ASCII fast path
i++
continue
}
// 查询首字节信息表,得到中文占 3 字节,所以这里的 x = 3
x := first【c】
// 判断 x = 3,xx = 241(0xF1)
if x == xx {
i++ // invalid.
continue
}
// 提取有效的 UTF-8 字节长度编码信息,size = 3
size := int(x 7)
if i+size > ns {
i++ // Short or invalid.
continue
}
// 提取有效字节范围
accept := acceptRanges【x]4】
// accept.lo,accept.hi,表示 UTF-8 中第二字节的有效范围
// locb = 0b10000000,表示 UTF-8 编码非首字节的数值下限
// hicb = 0b10111111,表示 UTF-8 编码非首字节的数值上限
if c := s【i+1】; c < accept.lo || accept.hi < c {
size = 1
} else if size == 2 {
} else if c := s【i+2】; c < locb || hicb < c {
size = 1
}//代码效果参考:http://www.ezhiqi.com/zx/art_7132.html else if size == 3 {
} else if c := s【i+3】; c < locb || hicb < c {
size = 1
}//代码效果参考:http://www.ezhiqi.com/zx/art_7210.html
i += size
}
return n
}
调用该函数时,传入一个原始的字符串,代码会根据每个字符的码点大小判断是否为 ASCII 字符,如果是,则算做 1 位;如果不是,则查询首字节表,明确字符占用的字节数,验证有效性后再进行计数。
小小总结
在我看来,rune 类型只是一种名称叫法,表示用来处理长度大于 1 字节( 8 位)、不超过 4 字节( 32 位)的字符类型。但万变不离其宗,我们使用函数时,无论传入参数的是原始字符串还是 rune,最终都是对字节进行处理。看似陌生的事物,沉下心了解到其本质以后,才发现原来并不陌生,缺少的只是正视它的勇气!
【1】
UTF-8:
【2】
Unicode:
【3】
utf8.RuneCountInString():
推荐阅读
Rob Pike 带你重新认识字符串、字节、rune和字符
福利
我为大家整理了一份从入门到进阶的Go学习资料礼包,包含学习建议:入门看什么,进阶看什么。关注公众号 「polarisxu」,回复 ebook 获取;还可以回复「进群」,和数万 Gopher 交流学习