Golang 中的字符类型

介绍

在上一节中，我们讨论了常用的数值类型。在本节中，你将学习 Go 语言中的字符类型。

知识点：

ASCII 编码
UTF-8 编码
Unicode 字符集
byte
rune

ASCII 编码

在计算机发展的早期，使用的是 ASCII（美国信息交换标准代码）编码格式。它使用 7 位二进制位来表示字符，总共可以表示 128（2^7）个字符。其中，从 0 到 31 位以及第 127 位表示不可显示的控制字符，而从 32 到 126 位则表示日常使用的英文大小写字母、数字和标点符号。详情请查看表格。

随着计算机的普及，支持不同语言的需求日益增长。ASCII 编码已不足以满足这一需求。因此，不同语言开发了各自的编码格式，例如简体中文的 GB2312、韩文的 EUC-KR 和俄文的 KOI8-R。

然而，由于世界上存在众多的语系，迫切需要一种能够统一所有语言的单一编码格式。Unicode（万国码）便应运而生。

Unicode 字符集

1991 年，Unicode 联盟发布了 Unicode 字符集的第一个版本。其目标是将所有语言统一到一种编码格式中，使全球的计算机能够更轻松地显示和处理文本，并避免多语言环境下的兼容性问题。

然而，Unicode 最初只是一个字符集；它定义了字符的代码点，但并未规定这些代码点在计算机中如何存储。这导致它在很长一段时间内难以被广泛采用，直到互联网的兴起。

UTF-8 编码

随着互联网的不断发展，作为 Unicode 实现方式之一的 UTF-8 编码逐渐流行起来。它是一种变长编码，这意味着在 UTF-8 中，不同的符号可能具有不同的字节长度。

例如，对于属于 ASCII 范围内的英文字母，它们由 1 个字节表示。字符 'y'（Unicode 值为 121）占用 1 个字节。

在日常使用中，大多数汉字占用 3 个字节。例如，字符「实」（Unicode 值为 23454）占用 3 个字节。

不过，也有一些汉字占用 4 个字节。这是因为汉字总数超过 10 万个，而 3 个字节只能表示 6 万多个字符，因此少数汉字需要 4 个字节来表示。

UTF-8 编码的另一个优势是它向后兼容 ASCII 编码。事实上，ASCII 是 UTF-8 的一个子集。UTF-8 的前 128 个字符与 ASCII 字符一一对应。这意味着原本使用 ASCII 的软件可以在几乎不作修改的情况下继续使用。由于这些优点，UTF-8 逐渐成为了首选的编码格式。

Go 语言的创始人 Rob Pike 和 Ken Thompson 也是 UTF-8 的发明者，因此 Go 与 UTF-8 有着特殊的渊源。Go 要求源代码文件必须以 UTF-8 编码保存。在操作文本字符时，UTF-8 编码是首选方案。此外，标准库还提供了许多与 UTF-8 编码和解码相关的函数。

byte 和 rune

byte 是 uint8 的别名，占用一个字节（8 位）。它可以用来表示 ASCII 表中的所有字符。然而，由于 byte 能表示的数值范围有限（256 或 2^8），在处理像汉字这样的复合字符时，我们需要使用 rune 类型。

创建一个名为 byte.go 的新文件并输入以下代码：

cd ~/project
touch byte.go

package main

import "fmt"

func main() {
    var a byte = 76
    fmt.Printf("Value of a: %c\n", a)

    var b uint8 = 76
    fmt.Printf("Value of b: %c\n", b)

    var c byte = 'L'
    fmt.Printf("Value of c: %c\n", c)
}

运行程序后，将输出以下结果：

go run byte.go

Value of a: L
Value of b: L
Value of c: L

占位符 %c 用于输出字符。可以看到，当数值相同时，byte 类型和 uint8 类型产生的输出是一样的。参考 ASCII 表可以发现，字母 'A' 的 ASCII 值为 65。当我们使用整数占位符 %d 输出该值时，结果也是 65。

因此，显而易见，Go 中的 byte 等同于整数类型中的 uint8。rune 也是同样的道理，但它代表了不同范围的整数值。

rune 是 int32 的别名，占用四个字节（32 位）。它用于表示复合字符，例如表情符号（emoji）。

使用以下代码更新 byte.go 文件：

package main

import "fmt"

func main() {
    var a rune = '😊' // 微笑表情
    fmt.Printf("Value of a: %c\n", a)

    var b int32 = 9829 // Unicode 字符的十进制表示（心形符号）
    fmt.Printf("Value of b: %c\n", b)
    var c rune = 0x1F496 // Unicode 字符的十六进制表示（闪烁的心表情）
    fmt.Printf("Value of c: %c\n", c)

    var d rune = '\u0041' // 通过代码点表示的 Unicode 字符（大写字母 'A'）
    fmt.Printf("Value of d: %c\n", d)
    var e rune = '\U0001F609' // 通过代码点表示的 Unicode 字符（眨眼表情）
    fmt.Printf("Value of e: %c\n", e)
}

运行程序后，将显示以下输出：

go run byte.go

注意： 请在桌面环境或 WebIDE 的终端中运行程序，避免在 LabEx 虚拟机顶部的终端选项卡中运行。

Value of a: 😊
Value of b: ♥
Value of c: 💖
Value of d: A
Value of e: 😉

变量 a 代表微笑表情 '😊'。
变量 b 使用 Unicode 字符的十进制表示（9829）进行初始化，对应心形符号 '♥'。
变量 c 使用 Unicode 字符的十六进制表示（0x1F496）进行初始化，对应闪烁的心表情 '💖'。
变量 d 使用 Unicode 格式 \u0041 表示大写字母 'A'。
变量 e 使用 \U 格式配合代码点 0001F609 表示眨眼表情 '😉'。

注意： 在 Go 中，单引号和双引号的含义不同。单引号用于表示字符，而双引号用于声明字符串。因此，在声明 byte 和 rune 类型时必须使用单引号，否则会报错。

挑战

现在，让我们巩固所学知识。创建一个名为 rune.go 的新文件并输入以下代码。补全代码，将十六进制数 0x1F648 赋值给变量 a，并使程序正确输出其值。

要求： 文件 rune.go 应放置在 ~/project 目录下。
提示： 对于较长的十六进制数，必须使用特定的格式。

package main

import "fmt"

func main() {
    var a rune = 0x1F648
    fmt.Printf("The value of a is: %c\n", a)
}

✨ 查看解决方案并练习

总结

让我们回顾一下本节所学的内容：

ASCII 字符占用一个字节，可以表示 128 个字符。
UTF-8 编码是 Unicode 字符集的一种实现形式。它是一种变长编码，其字节长度取决于所表示的字符。
byte 数据类型可用于表示 ASCII 字符，而 rune 数据类型可用于表示 Unicode 字符。
byte 类型本质上是 uint8，而 rune 类型本质上是 int32。

在本节中，我们首先解释了 ASCII、UTF-8 和 Unicode。随后，我们阐述了字符数据类型 byte、rune 与整数类型之间的关系。