Golang 入门 : 字符串及底层字符类型

字符串

基本使用

在 Go 语言中，字符串是一种基本类型，默认是通过 UTF-8 编码的字符序列，当字符为 ASCII 码时则占用 1 个字节，其它字符根据需要占用 2-4 个字节，比如中文编码通常需要 3 个字节。

声明和初始化

字符串的声明和初始化非常简单，举例如下：

var str string         // 声明字符串变量
str = "Hello World"    // 变量初始化
str2 := "你好呀"   // 也可以同时进行声明和初始化

格式化输出

还可以通过 Go 语言内置的 len() 函数获取指定字符串的长度，以及通过 fmt 包提供的 Printf 进行字符串格式化输出：

fmt.Printf("The length of \"%s\" is %d \n", str, len(str))
fmt.Printf("The first character of \"%s\" is %c.\n", str, ch)

转义字符

Go 语言的字符串不支持单引号，只能通过双引号定义字符串字面值，如果要对特定字符进行转义，可以通过 \ 实现，就像我们上面在字符串中转义双引号和换行符那样，常见的需要转义的字符如下所示：

• \n ：换行符
• \r ：回车符
• \t ：tab 键
• \u 或 \U ：Unicode 字符
• \\ ：反斜杠自身

所以，上述打印代码输出结果为：

The length of "Hello world" is 11
The first character of "Hello world" is H.

除此之外，你可以通过如下方式在字符串中包含 "：

label := `Search results for "Golang":`

多行字符串

对于多行字符串，也可以通过 ` 构建：

results := `Search results for "Golang":
- Go
- Golang
Golang Programming
`
fmt.Printf("%s", results)

打印结果如下：

Search results for "Golang":
- Go
- Golang
- Golang Programming

当然，使用 + 连接符也是可以的：

results := "Search results for \"Golang\":\n" +
"- Go\n" +
"- Golang\n" +
"- Golang Programming\n"
fmt.Printf("%s", results)

打印结果是一样的，但是要多输入不少字符，也不如上一种实现优雅。

不可变值类型

虽然可以通过数组下标方式访问字符串中的字符：

ch := str[0] // 取字符串的第一个字符

但是和数组不同，在 Go 语言中，字符串是一种不可变值类型，一旦初始化之后，它的内容不能被修改，比如看下面这个例子：

str := "Hello world"
str[0] = 'X' // 编译错误

编译器会报类似如下的错误：

cannot assign to str[0]

字符编码

Go 语言中字符串默认是 UTF-8 编码的 Unicode 字符序列，所以可以包含非 ANSI 字符，比如「Hello, 世界」可以出现在 Go 代码中。

但需要注意的是，如果你的 Go 代码需要包含非 ANSI 字符，保存源文件时请注意编码格式必须选择 UTF-8。特别是在 Windows 下一般编辑器都默认保存为本地编码，比如中国地区可能是 GBK 编码而不是 UTF-8，如果没注意到这点在编译和运行时就会出现一些意料之外的情况。

字符串的编码转换是处理文本文档（比如 TXT、XML、HTML 等）时非常常见的需求，不过 Go 语言默认仅支持 UTF-8 和 Unicode 编码，对于其他编码，Go 语言标准库并没有内置的编码转换支持。所幸的是我们可以很容易基于 iconv 库包装一个，这里有一个开源项目可供参考：https://github.com/qiniu/iconv

字符串操作

字符串连接

Go 内置提供了丰富的字符串函数，常见的操作包含连接、获取长度和指定字符，获取长度和指定字符前面已经介绍过，字符串连接只需要通过 + 连接符即可：

str = str + ", 世界"
str += ", 世界"  // 上述语句也可以简写为这样，效果完全一样

另外，还有一点需要注意的是如果字符串长度较长，需要换行，则 + 连接符必须出现在上一行的末尾，否则会报错：

str = str +
        ", 世界"

字符串切片

在 Go 语言中，可以通过字符串切片实现获取子串的功能：

str := "hello, world"
str1 := str[:5]  // 获取索引5（不含）之前的子串
str2 := str[7:]  // 获取索引7（含）之后的子串
str3 := str[0:5]  // 获取从索引0（含）到索引5（不含）之间的子串
fmt.Println("str1:", str1)
fmt.Println("str2:", str2)
fmt.Println("str3:", str3)

Go 切片区间可以对比数学中的区间概念来理解，它是一个左闭右开的区间，比如上述 str[0:5] 对应到字符串元素的区间是 [0,5)，str[:5] 对应的区间是 [0,5)（数组索引从 0 开始），str[7:] 对应的区间是 [7:len(str)]（这是闭区间，是个例外，因为没有指定区间结尾）。

所以，上述代码打印结果如下：

str1: hello
str2: world
str3: hello

综上所述，字符串切片通过 : 连接的起始点和结束点索引对字符串进行切片，冒号之前的数字代表起始点，为空表示从 0 开始，之后的数字代表结束点，为空表示到字符串最后，而不是子串的长度。所以 str[:] 会打印出完整的字符串来。

此外 Go 字符串也支持字符串比较、是否包含指定字符/子串、获取指定子串索引位置、字符串替换、大小写转换、trim 等操作，更多操作 API，请参考标准库 strings 包，这里就不一一展示了。

字符串遍历

Go 语言支持两种方式遍历字符串。

一种是以字节数组的方式遍历：

str := "Hello, 世界"
n := len(str)
for i := 0; i < n; i++ {
    ch := str[i]    // 依据下标取字符串中的字符，ch 类型为 byte
    fmt.Println(i, ch)
}

这个例子的输出结果为：

0 72
1 101
2 108
3 108
4 111
5 44
6 32
7 228
8 184
9 150
10 231
11 149
12 140

可以看出，这个字符串长度为 13，尽管从直观上来说，这个字符串应该只有 9 个字符。这是因为每个中文字符在 UTF-8 中占 3 个字节，而不是 1 个字节。

另一种是以 Unicode 字符遍历：

str := "Hello, 世界"
for i, ch := range str {
    fmt.Println(i, ch)    // ch 的类型为 rune
}

输出结果为：

0 72
1 101
2 108
3 108
4 111
5 44
6 32
7 19990
10 30028

这个时候，打印的就是 9 个字符了，因为以 Unicode 字符方式遍历时，每个字符的类型是 rune，而不是 byte。

看到这里可能你有点懵，会好奇 Go 底层到底是如何存储字符串的，为什么不同遍历方式获取的结果不同呢？下面就来给大家简单掰扯掰扯。

底层字符类型

Go 语言对字符串中的单个字符进行了单独的类型支持，在 Go 语言中支持两种字符类型：

• 一种是 byte，代表 UTF-8 编码中单个字节的值（它也是 uint8 类型的别名，两者是等价的，因为正好占据 1 个字节的内存空间）,它可用于区分字节值和8位无符号整数值。；
• 另一种是 rune，代表单个 Unicode 字符（它也是 uint32 类型的别名，因为正好占据 4 个字节的内存空间。关于 rune 相关的操作，可查阅 Go 标准库的 unicode 包）,它可用于区分字符值和整数值。。

rune 、 byte 和 string 都是 Go 的内置类型。string 是所有8位字节字符串的集合，通常但不一定代表UTF-8编码的文本，字符串可能为空，但是不能为 nil，字符串类型的值是不可变的。

由上面得解释我们大概可以明白，rune 可以表示得比 byte 多，string 类型的底层是一个byte 数组

字节和字符

刚刚上面标注了字节和字符，现在我们来梳理字符和字节的概念

存储单位 字节

• 计算机存储信息的最小单位，称之为位 bit，二进制的一个0或1叫一位
• 计算机存储容量基本单位是字节 Byte，8个二进制位组成 1 个字节

信息表示单位 字符

• 字符是一种符号，像 英文a和中文阿 就是不同字符
• 不同的字符在不同的编码格式下，所需要的存储单位不一样
• ASCLII 编码中一个英文字母一字节，一个汉字两字节
• UTF-8 编码中 一个英文字母一字节，一个常见汉字3字节，不常用的超大字符集汉字4字节

UTF-8 和 Unicode 的区别

说到这里，我们需要区分 UTF-8 和 Unicode 的区别。

Unicode 是一种字符集，囊括了目前世界上所有语言的所有字符，与之类似的术语还有 ASCII 字符集（仅包含 256 个字符）、ISO 8859-1 字符集等（包含所有西方拉丁字母），广义的 Unicode 既包含了字符集，也包含了编码规则，比如 UTF-8、UTF-16、UTF8MB4、GBK 等。

因此 UTF-8 是 Unicode 字符集的实现方式之一，它会将 Unicode 字符以某种方式进行编码。在具体实现时，UTF-8 是一种变长的编码规则，从 1~4 个字节不等，比如英文字符是 1 个字节，中文字符是 3 个字节。通过 UTF-8 编码的 Unicode 字符以最大长度 4 个字节作为单个字符固定占据的内存空间，在 Go 语言中可以通过 unicode/utf8 包进行 UTF-8 和 Unicode 之间的转换。

所以如果从 Unicode 字符集的视角看，字符串的每个字符都是一个字符的独立单元，但如果从 UTF-8 编码的视角看，一个字符可能是由多个字节编码而来的。

我们通过 len 函数获取到的是字符串的字节长度，再据此通过字符数组的方式遍历字符串时，是以 UTF-8 编码的角度切入的；而当我们通过 range 关键字遍历字符串时，又是从 Unicode 字符集的角度切入的，如此一来就得到了不同的结果。

出于简化语言的考虑，Go 语言的多数 API 都假设字符串为 UTF-8 编码。

Go 源码文件默认采用Unicode字符集，Unicode码点和内存中字节序列的变换实现使用了UTF-8，这使得Go编程无需考虑编码转换的问题非常方便

从编码上来分析

• byte 用来强调一个字节代表的数据（例如字符 a 就是 97），而不是数字；
• byte 的操作单位是一个字节，可以理解为一个英文字符
• rune 用来表示Unicode的码点，即一个字符
• rune 的操作单位是一个字符，不管这个字符是什么字符

通俗一点

• byte 只能操作简单的字符，不支持中文操作
• rune 能操作任何字符

将 Unicode 编码转化为可打印字符

如果你想要将 Unicode 字符编码转化为对应的字符，可以使用 string 函数进行转化：：

str := "Hello, 世界"
for i, ch := range str {
    fmt.Println(i, string(ch))
}

对应的打印结果如下：

0 H
1 e
2 l
3 l
4 o
5 ,
6
7 世
10 界

UTF-8 编码不能这样转化，英文字符没问题，因为一个英文字符就是一个字节，中文字符则会乱码，因为一个中文字符编码需要三个字节，转化单个字节会出现乱码。