152 lines
7.7 KiB
Markdown
152 lines
7.7 KiB
Markdown
### 3.5.3. UTF-8
|
||
|
||
UTF8是一個將Unicode碼點編碼爲字節序列的變長編碼。UTF8編碼由Go語言之父Ken Thompson和Rob Pike共同發明的，現在已經是Unicode的標準。UTF8編碼使用1到4個字節來表示每個Unicode碼點，ASCII部分字符隻使用1個字節，常用字符部分使用2或3個字節表示。每個符號編碼後第一個字節的高端bit位用於表示總共有多少編碼個字節。如果第一個字節的高端bit爲0，則表示對應7bit的ASCII字符，ASCII字符每個字符依然是一個字節，和傳統的ASCII編碼兼容。如果第一個字節的高端bit是110，則説明需要2個字節；後續的每個高端bit都以10開頭。更大的Unicode碼點也是采用類似的策略處理。
|
||
|
||
```
|
||
0xxxxxxx runes 0-127 (ASCII)
|
||
110xxxxx 10xxxxxx 128-2047 (values <128 unused)
|
||
1110xxxx 10xxxxxx 10xxxxxx 2048-65535 (values <2048 unused)
|
||
11110xxx 10xxxxxx 10xxxxxx 10xxxxxx 65536-0x10ffff (other values unused)
|
||
```
|
||
|
||
變長的編碼無法直接通過索引來訪問第n個字符，但是UTF8編碼獲得了很多額外的優點。首先UTF8編碼比較緊湊，完全兼容ASCII碼，併且可以自動同步：它可以通過向前迴朔最多2個字節就能確定當前字符編碼的開始字節的位置。它也是一個前綴編碼，所以當從左向右解碼時不會有任何歧義也併不需要向前査看（譯註：像GBK之類的編碼，如果不知道起點位置則可能會出現歧義）。沒有任何字符的編碼是其它字符編碼的子串，或是其它編碼序列的字串，因此蒐索一個字符時隻要蒐索它的字節編碼序列卽可，不用擔心前後的上下文會對蒐索結果産生榦擾。同時UTF8編碼的順序和Unicode碼點的順序一致，因此可以直接排序UTF8編碼序列。同時因爲沒有嵌入的NUL(0)字節，可以很好地兼容那些使用NUL作爲字符串結尾的編程語言。
|
||
|
||
Go語言的源文件采用UTF8編碼，併且Go語言處理UTF8編碼的文本也很出色。unicode包提供了諸多處理rune字符相關功能的函數（比如區分字母和數組，或者是字母的大寫和小寫轉換等），unicode/utf8包則提供了用於rune字符序列的UTF8編碼和解碼的功能。
|
||
|
||
有很多Unicode字符很難直接從鍵盤輸入，併且還有很多字符有着相似的結構；有一些甚至是不可見的字符（譯註：中文和日文就有很多相似但不同的字）。Go語言字符串面值中的Unicode轉義字符讓我們可以通過Unicode碼點輸入特殊的字符。有兩種形式：\uhhhh對應16bit的碼點值，\Uhhhhhhhh對應32bit的碼點值，其中h是一個十六進製數字；一般很少需要使用32bit的形式。每一個對應碼點的UTF8編碼。例如：下面的字母串面值都表示相同的值：
|
||
|
||
```
|
||
"世界"
|
||
"\xe4\xb8\x96\xe7\x95\x8c"
|
||
"\u4e16\u754c"
|
||
"\U00004e16\U0000754c"
|
||
```
|
||
|
||
上面三個轉義序列都爲第一個字符串提供替代寫法，但是它們的值都是相同的。
|
||
|
||
Unicode轉義也可以使用在rune字符中。下面三個字符是等價的：
|
||
|
||
```
|
||
'世' '\u4e16' '\U00004e16'
|
||
```
|
||
|
||
對於小於256碼點值可以寫在一個十六進製轉義字節中，例如'\x41'對應字符'A'，但是對於更大的碼點則必須使用\u或\U轉義形式。因此，'\xe4\xb8\x96'併不是一個合法的rune字符，雖然這三個字節對應一個有效的UTF8編碼的碼點。
|
||
|
||
得益於UTF8編碼優良的設計，諸多字符串操作都不需要解碼操作。我們可以不用解碼直接測試一個字符串是否是另一個字符串的前綴：
|
||
|
||
```Go
|
||
func HasPrefix(s, prefix string) bool {
|
||
return len(s) >= len(prefix) && s[:len(prefix)] == prefix
|
||
}
|
||
```
|
||
|
||
或者是後綴測試：
|
||
|
||
```Go
|
||
func HasSuffix(s, suffix string) bool {
|
||
return len(s) >= len(suffix) && s[len(s)-len(suffix):] == suffix
|
||
}
|
||
```
|
||
|
||
或者是包含子串測試：
|
||
|
||
```Go
|
||
func Contains(s, substr string) bool {
|
||
for i := 0; i < len(s); i++ {
|
||
if HasPrefix(s[i:], substr) {
|
||
return true
|
||
}
|
||
}
|
||
return false
|
||
}
|
||
```
|
||
|
||
對於UTF8編碼後文本的處理和原始的字節處理邏輯是一樣的。但是對應很多其它編碼則併不是這樣的。（上面的函數都來自strings字符串處理包，眞實的代碼包含了一個用哈希技術優化的Contains 實現。）
|
||
|
||
另一方面，如果我們眞的關心每個Unicode字符，我們可以使用其它處理方式。考慮前面的第一個例子中的字符串，它包混合了中西兩種字符。圖3.5展示了它的內存表示形式。字符串包含13個字節，以UTF8形式編碼，但是隻對應9個Unicode字符：
|
||
|
||
```Go
|
||
import "unicode/utf8"
|
||
|
||
s := "Hello, 世界"
|
||
fmt.Println(len(s)) // "13"
|
||
fmt.Println(utf8.RuneCountInString(s)) // "9"
|
||
```
|
||
|
||
爲了處理這些眞實的字符，我們需要一個UTF8解碼器。unicode/utf8包提供了該功能，我們可以這樣使用：
|
||
|
||
```Go
|
||
for i := 0; i < len(s); {
|
||
r, size := utf8.DecodeRuneInString(s[i:])
|
||
fmt.Printf("%d\t%c\n", i, r)
|
||
i += size
|
||
}
|
||
```
|
||
|
||
每一次調用DecodeRuneInString函數都返迴一個r和長度，r對應字符本身，長度對應r采用UTF8編碼後的編碼字節數目。長度可以用於更新第i個字符在字符串中的字節索引位置。但是這種編碼方式是笨拙的，我們需要更簡潔的語法。幸運的是，Go語言的range循環在處理字符串的時候，會自動隱式解碼UTF8字符串。下面的循環運行如圖3.5所示；需要註意的是對於非ASCII，索引更新的步長將超過1個字節。
|
||
|
||
|
||
|
||
```Go
|
||
for i, r := range "Hello, 世界" {
|
||
fmt.Printf("%d\t%q\t%d\n", i, r, r)
|
||
}
|
||
```
|
||
|
||
我們可以使用一個簡單的循環來統計字符串中字符的數目，像這樣：
|
||
|
||
```Go
|
||
n := 0
|
||
for _, _ = range s {
|
||
n++
|
||
}
|
||
```
|
||
|
||
像其它形式的循環那樣，我們也可以忽略不需要的變量：
|
||
|
||
```Go
|
||
n := 0
|
||
for range s {
|
||
n++
|
||
}
|
||
```
|
||
|
||
或者我們可以直接調用utf8.RuneCountInString(s)函數。
|
||
|
||
正如我們前面提到的，文本字符串采用UTF8編碼隻是一種慣例，但是對於循環的眞正字符串併不是一個慣例，這是正確的。如果用於循環的字符串隻是一個普通的二進製數據，或者是含有錯誤編碼的UTF8數據，將會發送什麽呢？
|
||
|
||
每一個UTF8字符解碼，不管是顯式地調用utf8.DecodeRuneInString解碼或是在range循環中隱式地解碼，如果遇到一個錯誤的UTF8編碼輸入，將生成一個特别的Unicode字符'\uFFFD'，在印刷中這個符號通常是一個黑色六角或鑽石形狀，里面包含一個白色的問號"<22>"。當程序遇到這樣的一個字符，通常是一個危險信號，説明輸入併不是一個完美沒有錯誤的UTF8字符串。
|
||
|
||
UTF8字符串作爲交換格式是非常方便的，但是在程序內部采用rune序列可能更方便，因爲rune大小一致，支持數組索引和方便切割。
|
||
|
||
string接受到[]rune的類型轉換，可以將一個UTF8編碼的字符串解碼爲Unicode字符序列：
|
||
|
||
```Go
|
||
// "program" in Japanese katakana
|
||
s := "プログラム"
|
||
fmt.Printf("% x\n", s) // "e3 83 97 e3 83 ad e3 82 b0 e3 83 a9 e3 83 a0"
|
||
r := []rune(s)
|
||
fmt.Printf("%x\n", r) // "[30d7 30ed 30b0 30e9 30e0]"
|
||
```
|
||
|
||
（在第一個Printf中的`% x`參數用於在每個十六進製數字前插入一個空格。）
|
||
|
||
如果是將一個[]rune類型的Unicode字符slice或數組轉爲string，則對它們進行UTF8編碼：
|
||
|
||
```Go
|
||
fmt.Println(string(r)) // "プログラム"
|
||
```
|
||
|
||
將一個整數轉型爲字符串意思是生成以隻包含對應Unicode碼點字符的UTF8字符串：
|
||
|
||
```Go
|
||
fmt.Println(string(65)) // "A", not "65"
|
||
fmt.Println(string(0x4eac)) // "京"
|
||
```
|
||
|
||
如果對應碼點的字符是無效的，則用'\uFFFD'無效字符作爲替換：
|
||
|
||
```Go
|
||
fmt.Println(string(1234567)) // "<22>"
|
||
```
|