Go | string与UTF8编码

Posted 2022-11-23 Lindbergh_

字符表示

使用字符编号对照表，即收录很多字符，然后给他们一一编号。

字符集促进了字符与二进制的合作

ASCII字符集（1967年）只收录了128个字符，扩展字符集也就只有256个
英文字符、阿拉伯数字、西文符、控制字符

GB2312（1980年）添加了简体中文、拉丁字母、日文假名

BIG5（1984年） 添加了繁体字，但是依旧有很多字符没有被收录

GB13000.1（1993年） 添加了中日韩

GBK（1995年） 不支持韩文

GB18030（2000） 更多兼容

与其不断退出更多字符的字符集，莫不如本着全球化统一标准的目的，制作一个通用字符集。这个字符集就是Unicode

Unicode（1990-1994）实现了跨区语言跨平台的文本转换与处理

如何划分字符边界

• 直接照搬Unicode字符集进行拼凑，显然行不通，无法区分字符边界

定长编码

不管编号多大多小，统一按最长的来，位数不够高位补零。

虽然字符边界解决了，但是有些浪费内存。而且字符集收录的越多，字符跨度越大，定长编码造成的浪费就越显著

变长编码（UTF-8）

Go 语言默认的编码方式

小编号少占字节，大编号多占字节

那如何划分边界呢？

编号	编码模板	–
[0,127]	0???	占一字节，且最高位标识为0
[128,2047]	110??? 10???	占用两个字节，且有固定标识位110和10
[2048,65535]	1110??? 10??? 10???	占用三字节，且有固定标识位1110和10
[65536,…]	11110??? 10??? …	三个以上字节也遵循这样的规则

除了固定标识位，其他的就是该字符的二进制编号

字符串类型的变量结构

源码包src/runtime/string.go:stringStruct定义了string的数据结构：

type stringStruct struct 
    str unsafe.Pointer
    len int

string 数据结构存放两个东西

• stringStruct.str：字符串的首地址
• stringStruct.len：字符串的长度

字符串的存储要用“字符集”配合“编码”才行

字符串构建过程是先根据字符串构建stringStruct，再转换成string。转换的源码如下：

func gostringnocopy(str *byte) string  // 根据字符串地址构建string
    ss := stringStructstr: unsafe.Pointer(str), len: findnull(str) // 先构造stringStruct
    s := *(*string)(unsafe.Pointer(&ss))                             // 再将stringStruct转换成string
    return s

string在runtime包中就是stringStruct，对外呈现叫做string。

为什么字符串不允许修改？

字符串不能够被修改，所以这样定义的字符串内容被分配到只读内存段，而不是堆或栈上

字符串变量是可以共享底层字符串内容的，如果对字符串修改，那么后果是无法估计的

内存中这些读、写、执行等权限，是为了保护程序的正常运行

如果非要修改

• str = “hello” 使str重新分配内存，便不会修改原内存
• bs := ([]byte)(str) bs[2] = ‘o’ 可以把变量强制类型转换成字节slice，这样会为slice变量重新分配一段内存，并且会拷贝原来字符串的内容

注：了解slice的结构并且学会使用unsafe包，就可以让slice依然使用原来字符串指向的这段内存，这样虽然转换了内存，但是依然不能修改这段只读内存的内容