本文翻译自《Strings, bytes, runes and characters in Go》。
Rob Pike
2013/08/23
介绍
上一篇博客文章解释了切片(slice)在Go中的工作方式，并使用了一些示例来说明它背后的机制。在此背景下，本文将讨论Go中的字符串。起初，字符串对于一篇博客文章来说可能太简单了，但想要很好地使用它们，不仅需要了解它们是如何工作的，还需要了解字节、字符(character)和符文(rune)之间的区别，Unicode和UTF-8之间的区别、字符串和字符串字面量(string literal)之间的区别以及其他更微妙的区别。
编写这个话题的一种方法是，给出常见问题的答案，例如“当我在位置n索引Go字符串时，为什么我得不到第n个字符？”，正如你所看到的，这个问题的答案可以让我们了解文本在现代世界中是如何工作的。
Joel Spolsky的著名博客文章“每个软件开发人员绝对、积极地必须了解的Unicode和字符集”，是对其中一些问题的一个极好的介绍，它独立于Go语言。它提出的许多观点将在这里重复提及。
什么是字符串？
让我们从一些基础知识开始。
在Go中，一个字符串实际上是一个只读字节片。如果你不确定字节片是什么或者它是如何工作的，请阅读上一篇博客文章；我们在这里假设你已阅读。
重要的是要提前声明：一个字符串可以包含任意的字节，不一定是Unicode文本、UTF-8文本或任何其他预定义的格式。就字符串的内容而言，它完全等同于一个字节片。
下面是一个字符串字面量（稍后将详细介绍），它使用\xNN表示法来定义一个包含一些特殊字节值的字符串常量。（当然，字节的范围从十六进制值00到FF，包括00和FF。）
const sample = "\xbd\xb2\x3d\xbc\x20\xe2\x8c\x98"打印输出字符串
因为我们的示例字符串中的一些字节不是有效的ASCII，甚至不是有效的UTF-8，所以直接打印字符串会产生难看的输出。以下是简单的打印输出这个字符串的语句：
fmt.Println(sample)产生这种混乱的输出（确切的输出与你的系统环境有关，不同的系统环境可能有不同的输出）：
��=� ⌘为了弄清楚这个字符串里到底装着什么，我们需要把它拆开，检查一下每个部分。有几种方法可以做到这一点。最明显的是对其内容进行循环，并单独取出字节，如以下for循环中所示：
for i := 0; i < len(sample); i++ {
fmt.Printf("%x ", sample[i])
}正如上面所示，对字符串进行索引访问到的是单个字节，而不是一个个字符(character)。我们将在下面详细讨论这个主题。现在，让我们只使用字节。这是逐字节遍历循环的输出：
bd b2 3d bc 20 e2 8c 98注意各个字节如何与定义字符串的十六进制转义符相匹配。 把混乱的字符串输出为人类可读的形式的较简单的方法是，使用fmt.Printf的%x（十六进制数）格式。它将字符串的顺序字节输出为十六进制数字，每个字节对应两个十六进制数字。
fmt.Printf("%x\n", sample)输出如下：
bdb23dbc20e28c98你可以与之前的输出比较一下。
一个很好的技巧是在该格式中使用“空格”标志，在%和x之间加一个空格：
fmt.Printf("% x\n", sample)输出如下：
bd b2 3d bc 20 e2 8c 98注意字节之间的空格。
还有更多。%q（带引号）格式将转义字符串中任何不可打印的字节序列，因此输出是明确的。
当字符串的大部分内容可以理解为文本，但也有一些特殊字符需要清除时，这种技巧很方便；对于上文中的字符串，它输出：
"\xbd\xb2=\xbc ⌘"如果我们注视一下，我们可以看到隐藏在噪音中的是一个ASCII等号和一个普通空格，最后出现了著名的瑞典“兴趣地点(Place of Interest)”符号。该符号的Unicode码值为U+2318，被编码为UTF-8字节：e2 8c 98，位于空格（十六进制值20）之后。
如果我们对字符串中的奇怪字符感到陌生或困惑，我们可以在%q格式中使用“加号+”标志。此标志不仅转义不可打印的字节序列，而且转义任何非ASCII字节，都按UTF-8编码来解析。结果是，它打印输出了格式正确的UTF-8编码的Unicode码值，该值表示字符串中的非ASCII数据：
fmt.Printf("%+q\n", sample)使用该格式，上述瑞典语符号的Unicode值显示为\u开头的转义符：
"\xbd\xb2=\xbc \u2318"这些打印输出技巧在调试字符串内容时很有用，在后续的讨论中也很方便。同样值得指出的是，所有这些方法对字节片的行为与对字符串的行为完全相同。
以下是我们在上文列出过的打印输出的选项（标志），作为一个完整的程序示例给出：
package main
import "fmt"
func main() {
const sample = "\xbd\xb2\x3d\xbc\x20\xe2\x8c\x98"
fmt.Println("Println:")
fmt.Println(sample)
fmt.Println("Byte loop:")
for i := 0; i < len(sample); i++ {
fmt.Printf("%x ", sample[i])
}
fmt.Printf("\n")
fmt.Println("Printf with %x:")
fmt.Printf("%x\n", sample)
fmt.Println("Printf with % x:")
fmt.Printf("% x\n", sample)
fmt.Println("Printf with %q:")
fmt.Printf("%q\n", sample)
fmt.Println("Printf with %+q:")
fmt.Printf("%+q\n", sample)
}[练习：修改上面的例子，输出字节切片而不是字符串。提示：使用转换来创建切片。]
[练习：在每个字节上使用%q格式对字符串进行循环。输出会告诉你什么？]
UTF-8和字符串字面量
正如我们所看到的，对字符串进行索引会返回字节，而不是字符(character)：字符串只是一堆字节。这意味着，当我们在字符串中存储一个字符值时，我们是按字节存储它的。让我们看一个更可控的例子，看看这是如何发生的。
这里有一个简单的程序，它用三种不同的方式打印带有单个字符的字符串常量，一种是打印输出纯字符串，一种是只打印输出ASCII字符，还有一种是打印输出十六进制数的单个字节。为了避免混淆，我们创建了一个“原始字符串(raw string)”，用后引号(back quotes)括起来，这样它就只能包含字符串字面量。（用双引号括起来的常规字符串里面可以包含转义字符，如上文所示。但用后引号括起来的原始字符串里面的字符不会被转义。）
func main() {
const placeOfInterest = `
⌘`
fmt.Printf("plain string: ")
fmt.Printf("%s", placeOfInterest)
fmt.Printf("\n")
fmt.Printf("quoted string: ")
fmt.Printf("%+q", placeOfInterest)
fmt.Printf("\n")
fmt.Printf("hex bytes: ")
for i := 0; i < len(placeOfInterest); i++ {
fmt.Printf("%x ", placeOfInterest[i])
}
fmt.Printf("\n")
}输出：
plain string: ⌘
quoted string: "\u2318"
hex bytes: e2 8c 98这提醒我们，Unicode码值U+2318，即⌘符号，在字符串中由字节e2 8c 98表示，并且这些字节是十六进制数2318的UTF-8编码。
根据你对UTF-8的熟悉程度，它可能很明显，也可能很微妙，但值得花点时间解释一下字符串的UTF-8表示是如何创建的。简单的事实是：它是在编写源代码时创建的。
Go语言的源代码被定义为UTF-8文本；不允许使用其他编码。这意味着，当我们在源代码中编写以下文本时
`⌘`用于编写源代码的文本编辑器将符号⌘的UTF-8编码放入源代码文本中。当我们打印输出十六进制数的字节时，我们只是简单地输出文本编辑器放置在文件中的字节数据。
简而言之，Go的源代码是UTF-8文本，因此其字符串字面量也是UTF-8文本。如果该字符串字面量里不包含转义序列（原始字符串就不包含），则构造的字符串就是引号之间的源代码文本。因此，通过定义和构造，原始字符串将始终包含其内容里的有效UTF-8文本。类似地，除非像本文开头示例中的字符串（用\xNN表示法来定义一个包含一些特殊字节值的字符串字面量）那样包含不能被解析为UTF-8编码的字节序列，否则普通字符串字面量也将始终包含有效的UTF-8文本。
有些人认为Go字符串总是UTF-8文本，但事实并非如此，正如我们在本文开头所展示的，字符串值可以包含任意字节，里面可能包含不能被解析为UTF-8编码的字节序列。
总之，Go字符串可以包含任意字节，但当我们从字符串字面量（非\xNN表示法）构建字符串时，里面的字节序列（几乎总是）符合UTF-8编码的。
码点(Code point)、字符(character)和rune
到目前为止，我们在使用“字节(byte)”和“字符(character)”这两个词时非常小心。这部分是因为字符串包含字节，部分是因为“字符”的概念有点难以定义。Unicode标准使用术语“码点（code point，也有翻译为‘码值’的）”来指代由单个数字表示的字符。例如码点U+2318，具有十六进制数值2318，表示符号“⌘”。（有关该码点的更多信息，请参阅其Unicode页面。）
举一个更普通的例子，Unicode码点U+0061是小写拉丁字母“a”。
但是小写带重音的字母“à”呢？这也是一个字符，也是一个码点（U+00E0），但它有其他表示形式。例如，我们可以使用“组合”重音码点U+0300，并将其附加到小写字母a（码点是U+0061），来创建相同的字符“à”。通常，一个字符可以由许多不同的码点序列表示，因此也可以编码为不同的UTF-8字节序列。
因此，计算机中的字符(character)的概念是模糊的，或者至少是令人困惑的，所以我们谨慎地使用它。为了使事情变得可靠，有一些规范化的技术可以保证给定的字符总是由相同的码点表示，但这个主题偏离本文的主题太远了。稍后的博客文章将解释Go库如何解决规范化问题。
“码点”这个词有点晦涩难懂，所以Go为这个概念引入了一个较短的术语：rune。这个术语出现在库和源代码中，其含义与“码点”完全相同，还有一个有趣的补充。
Go语言将rune定义为类型int32类型的别名，因此当整数值表示码点时，程序就会很清晰。此外，你可能认为的字符常量在Go中被称为“rune常量”。例如'⌘'的类型是rune，值是整数0x2318。
总之，以下是一些重点：
- Go源代码总是UTF-8文本。
- 字符串可以包含任意字节。
- 字符串字面量，不存在字节级转义字符的话，始终包含有效的UTF-8字节序列。
- 代表Unicode码点的序列，称为rune。
- Go中不能保证字符串中的字符是标准化的。
范围循环
除了Go源代码是UTF-8文本之外，实际上Go还有一个特殊对待UTF-8的地方，那就是在字符串上使用for range循环时。
我们已经看到了普通for循环的情况。相比之下，for range循环在每次迭代中解码一个UTF-8编码的rune。每次循环时，循环的索引是当前rune的起始位置，以字节为单位，循环的值是当前rune的Unicode码点。下面是一个使用另一种方便的Printf函数的格式%#U的示例，它显示了rune的Unicode码点的值及其打印输出的字符：
const nihongo = "日本語"
for index, runeValue := range nihongo {
fmt.Printf("%#U starts at byte position %d\n", runeValue, index)
}输出显示每个Unicode码点如何占用多个字节：
U+65E5 '日' starts at byte position 0
U+672C '本' starts at byte position 3
U+8A9E '語' starts at byte position 6[练习：将一个非法的UTF-8字节序列放入字符串中。循环的迭代会发生什么？]
库
Go的标准库为解析UTF-8文本提供了强大的支持。
如果for range循环不足以满足你的目的，那么你需要的设施很可能是由库中的包提供的。 最重要的包是unicode/utf8，它包含用于验证、反组装(disassemble)和重新组装UTF-8字符串的辅助函数代码。这里有一个与上面的for range示例等效的程序，但使用该包中的DecodeRunInString函数来完成这项工作。函数的返回值是rune及其宽度（以UTF-8编码的字节为单位）。
const nihongo = "日本語"
for i, w := 0, 0; i < len(nihongo); i += w {
runeValue, width := utf8.DecodeRuneInString(nihongo[i:])
fmt.Printf("%#U starts at byte position %d\n", runeValue, i)
w = width
}运行它以查看它是否执行相同的操作。for range循环和DecodeRunInString函数被定义为生成完全相同的迭代序列。
你可以查看unicode/utf8包的官方文档，了解它还提供了哪些其他功能。
结论
为了回答开头提出的问题：字符串是从字节构建的，因此对字符串进行索引会产生字节，而不是字符(character)。字符串甚至可能不包含字符(character)。事实上，“字符(character)”这一定义是模糊的，试图通过“定义字符串是由字符组成的”来解决二义性是一种错误的做法。
关于Unicode、UTF-8和多语言文本处理，还有很多话要说，但这应该写成另一篇文章。目前，我们希望你能更好地了解Go字符串的行为，尽管它们可能包含任意字节，但UTF-8是其设计的核心部分。