主頁 > 知識庫 > Go語言中多字節(jié)字符的處理方法詳解

Go語言中多字節(jié)字符的處理方法詳解

1 概述

Go語言的字符串是使用 UTF-8 編碼的。UTF-8 是 Unicode 的實現(xiàn)方式之一。本文內容包括：UTF-8 和 Unicode 的關系，Go語言提供的 unicode 包和 unicode/utf8 包的使用。

下面話不多說了，來一起看看詳細的介紹吧

2 UTF-8 和 Unicode 的關系

Unicode一種字符集，是國際標誰化組織（ISO）設計的一個包括了地球上所有文化、所有字母和符號的編碼。他們叫它 Universal Multiple-Octet Coded Character Set，簡稱 UCS，也就是 Unicode。Unicode 為每一個字符分配一個唯一的碼點（Code Point），就是一個唯一的值。例如康的碼點就是 24247，十六進制為 5eb7。

Unicode 字符集僅僅定義了字符與碼點的對應關系，但是并沒有定義該如何編碼（存儲）這個碼值，這就導致了很多問題。例如由于字符的碼值不同，導致所需要的存儲空間是不一致的，計算機不能確定接下來的字符是占用幾個字節(jié)。還有就是如果采用固定的長度假設都是4個字節(jié)來存儲碼點值，那么會導致空間的額外浪費，因為 ascii 碼字符其實僅僅需要一個字節(jié)的空間。

UTF-8 就是解決如何為 Unicode 編碼而設計的一種編碼規(guī)則?？梢哉f UTF-8 是 Unicode 的實現(xiàn)方式之一。其特點是一種變長編碼，使用1到4個字節(jié)表示一個字符，根據不同的符號而變化長度。UTF-8 的編碼規(guī)則有二：

對于單字節(jié)的符號，字節(jié)的第一位設為0，后面7位為這個符號的 Unicode 碼。因此對于ASCII碼字符，UTF-8 編碼和 ASCII 碼是相同的。
對于 n 字節(jié)的符號（n > 1，2到4），第一個字節(jié)的前n位都設為1，第n + 1 位設為 0，后面字節(jié)的前兩位一律設為10。剩下的沒有提及的二進制位，全部為這個符號的 Unicode 碼。

以下是編碼規(guī)則：

Unicode    | UTF-8
--------------------------------------------------------- 
0000 0000-0000 007F | 0xxxxxxx
0000 0080-0000 07FF | 110xxxxx 10xxxxxx
0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
---------------------------------------------------------

Go語言中，對于 Unicode 和 UTF-8 使用了 unicode 和 unicode/utf8 包來實現(xiàn)，下面是閱讀 API 的總結和說明。

3 Unicode 包

Go語言中，提供了 Unicode 包，處理與 Unicode 相關的操作，整理如下：

Is(rangeTab *RangeTable, r rune) bool

檢測 rune r 是否在 rangeTable 指定的字符范圍內。

rangeTable 一個 Unicode 碼值集合，通常使用 unicode 包中定義的集合。

判斷字符是否出現(xiàn)在漢字集合中：

unicode.Is(unicode.Scripts["Han"], 'k')
// 返回 false
unicode.Is(unicode.Scripts["Han"], '康')
// 返回 true

In(r rune, ranges …*RangeTable) bool

檢測 rune r 是否在多個 rangeTable 指定的字符范圍內。

rangeTable 一個 Unicode 碼值集合，通常使用 unicode 包中定義的集合。

unicode.In('康', unicode.Scripts["Han"], unicode.Scripts["Latin"])
// 返回 true
unicode.In('k', unicode.Scripts["Han"], unicode.Scripts["Latin"])
// 返回 true

IsOneOf(ranges []*RangeTable, r rune) bool

檢測 rune r 是否在 rangeTable ranges 指定的字符范圍內。與 In 功能類似，推薦使用 In。

IsSpace(r rune) bool

檢測字符 rune r 是否是空白字符。在Latin-1字符空間中，空白字符為：

'\t', '\n', '\v', '\f', '\r', ' ', U+0085 (NEL), U+00A0 (NBSP)

其它的空白字符請參見策略Z和屬性Pattern_White_Space。

IsDigit(r rune) bool

檢測字符 rune r 是否是十進制數字字符。

unicode.IsDigit('9')
// 返回 true
unicode.IsDigit('k')
// 返回 false

IsNumber(r rune) bool

檢測字符 rune r 是否是 Unicode 數字字符。

IsLetter(r rune) bool

檢測一個字符 rune r 是否是字母

unicode.IsLetter('9')
// 返回 false
unicode.IsLetter('k')
// 返回 true

IsGraphic(r rune) bool

一個字符 rune r 是否是 unicode 圖形字符。圖形字符包括字母、標記、數字、符號、標點、空白。

unicode.IsGraphic('9')
// 返回 true
unicode.IsGraphic(',')
// 返回 true

IsControl(r rune) bool

檢測一個字符 rune r 是否是 unicode 控制字符。

IsMark(r rune) bool

檢測一個字符 rune r 是否是標記字符。

IsPrint(r rune) bool

檢測一個字符 rune r 是否是的可打印字符，基本與圖形字符一致，除ASCII空白字符U+0020。

IsPunct(r rune) bool

檢測一個字符 rune r 是否是 unicode標點字符。

unicode.IsPunct('9')
// 返回 false
unicode.IsPunct(',')
// 返回 true

IsSymbol(r rune) bool

檢測一個字符 rune r 是否是 unicode 符號字符。

IsLower(r rune) bool

檢測一個字符 rune r 是否是小寫字母。

unicode.IsLower('h')
// 返回 true
unicode.IsLower('H')
// 返回 false

IsUpper(r rune) bool

檢測一個字符 rune r 是否是大寫字母。

unicode.IsUpper('h')
// 返回 false
unicode.IsUpper('H')
// 返回 true

IsTitle(r rune) bool

檢測一個字符 rune r 是否是Title字符。大部分字符的 Title 格式就是其大寫格式，少數字符的 Title 格式是特殊字符，例如 ᾏᾟᾯ。

unicode.IsTitle('ᾯ')
// 返回 true
unicode.IsTitle('h')
// 返回 false
unicode.IsTitle('H')
// 返回 true

To(_case int, r rune) rune

將字符 rune r 轉換為指定的格式，格式_case支持：unicode.UpperCase、unicode.LowerCase、unicode.TitleCase

unicode.To(unicode.UpperCase, 'h')
// 返回 H

ToLower(r rune) rune

將字符 rune r 轉換為小寫。

unicode.ToLower('H')
// 返回 h

func (SpecialCase) ToLower

將字符 rune r 轉換為小寫。優(yōu)先使用映射表 SpecialCase。

映射表 SpecialCase 是特定語言環(huán)境下大小寫的映射表。主要應用于一些歐洲字符，例如土耳其 TurkishCase。

unicode.TurkishCase.ToLower('İ')
// 返回 i

ToUpper(r rune) rune

將字符 rune r 轉換為大寫。

unicode.ToUpper('h')
// 返回 H

func (SpecialCase) ToUpper

將字符 rune r 轉換為大寫。優(yōu)先使用映射表 SpecialCase。

映射表 SpecialCase 是特定語言環(huán)境下大小寫的映射表。主要應用于一些歐洲字符，例如土耳其 TurkishCase。

unicode.TurkishCase.ToUpper('i')
// 返回 İ

ToTitle(r rune) rune

將字符 rune r 轉換為 Title 字符。

unicode.ToTitle('h')
// 返回 H

func (SpecialCase) ToTitle

將字符 rune r 轉換為 Title 字符。優(yōu)先使用映射表 SpecialCase。

映射表 SpecialCase 是特定語言環(huán)境下大小寫的映射表。主要應用于一些歐洲字符，例如土耳其 TurkishCase。

unicode.TurkishCase.ToTitle('i')
// 返回 İ

SimpleFold(r rune) rune

在 unicode 標準字符映射中查找與 rune r 互相對應的 unicode 碼值。向碼值大的方向循環(huán)查找。互相對應指的是同一個字符可能出現(xiàn)的多種寫法。

unicode.SimpleFold('H')
// 返回 h
unicode.SimpleFold('Φ')) 
// 返回 φ

4 unicode/utf8 包

DecodeLastRune(p []byte) (r rune, size int)

解碼 []byte p 中最后一個 UTF-8 編碼序列，返回該碼值和長度。

utf8.DecodeLastRune([]byte("小韓說課"))
// 返回 35838 3
// 35838 就是課的 unicode 碼值

DecodeLastRuneInString(s string) (r rune, size int)

解碼 string s 中最后一個 UTF-8 編碼序列，返回該碼值和長度。

utf8.DecodeLastRuneInString("小韓說課")
// 返回 35838 3
// 35838 就是課的 unicode 碼值

DecodeRune(p []byte) (r rune, size int)

解碼 []byte p 中第一個 UTF-8 編碼序列，返回該碼值和長度。

utf8.DecodeRune([]byte("小韓說課"))
// 返回 23567 3
// 23567 就是 小 的 unicode 碼值

DecodeRuneInString(s string) (r rune, size int)

解碼 string s 中第一個 UTF-8 編碼序列，返回該碼值和長度。

utf8.DecodeRuneInString("小韓說課")
// 返回 23567 3
// 23567 就是 小 的 unicode 碼值

EncodeRune(p []byte, r rune) int

將 rune r 的 UTF-8 編碼序列寫入 []byte p，并返回寫入的字節(jié)數。p 滿足足夠的長度。

buf := make([]byte, 3)
n := utf8.EncodeRune(buf, '康')
fmt.Println(buf, n)
// 輸出 [229 186 183] 3

FullRune(p []byte) bool

檢測 []byte p 是否包含一個完整 UTF-8 編碼。

buf := []byte{229, 186, 183} // 康
utf8.FullRune(buf)
// 返回 true
utf8.FullRune(buf[:2])
// 返回 false

FullRuneInString(s string) bool

檢測 string s 是否包含一個完整 UTF-8 編碼。

buf := "康" // 康
utf8.FullRuneInString(buf)
// 返回 true
utf8.FullRuneInString(buf[:2])
// 返回 false

RuneCount(p []byte) int

返回 []byte p 中的 UTF-8 編碼的碼值的個數。

buf := []byte("小韓說課")
len(buf)
// 返回 12
utf8.RuneCount(buf)
// 返回 4

RuneCountInString(s string) (n int)

返回 string s 中的 UTF-8 編碼的碼值的個數。

buf := "小韓說課"
len(buf)
// 返回 12
utf8.RuneCountInString(buf)
// 返回 4

RuneLen(r rune) int

返回 rune r 編碼后的字節(jié)數。

utf8.RuneLen('康')
// 返回 3
utf8.RuneLen('H')
// 返回 1

RuneStart(b byte) bool

檢測字節(jié) byte b 是否可以作為某個 rune 編碼的第一個字節(jié)。

buf := "小韓說課"
utf8.RuneStart(buf[0])
// 返回 true
utf8.RuneStart(buf[1])
// 返回 false
utf8.RuneStart(buf[3])
// 返回 true

Valid(p []byte) bool

檢測切片 []byte p 是否包含完整且合法的 UTF-8 編碼序列。

valid := []byte("小韓說課")
invalid := []byte{0xff, 0xfe, 0xfd}
utf8.Valid(valid)
// 返回 true
utf8.Valid(invalid)
// 返回 false

ValidRune(r rune) bool

檢測字符 rune r 是否包含完整且合法的 UTF-8 編碼序列。

valid := 'a'
invalid := rune(0xfffffff)
fmt.Println(utf8.ValidRune(valid))
// 返回 true
fmt.Println(utf8.ValidRune(invalid))
// 返回 false

ValidString(s string) bool

檢測字符串 string s 是否包含完整且合法的 UTF-8 編碼序列。

valid := "小韓說課"
invalid := string([]byte{0xff, 0xfe, 0xfd})
fmt.Println(utf8.ValidString(valid))
// 返回 true
fmt.Println(utf8.ValidString(invalid))
// 返回 false

完！

總結

以上就是這篇文章的全部內容了，希望本文的內容對大家的學習或者工作具有一定的參考學習價值，如果有疑問大家可以留言交流，謝謝大家對腳本之家的支持。

您可能感興趣的文章: