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,清华尹成大神" // 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, 清华尹成大神」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 + ", 清华尹成大神"

    str += ", 清华尹成大神" // 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 +

    ", 清华尹成大神"

    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?下面清华尹成大神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);

    • 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)。

    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。

    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。