标准库 - unicode/utf8/utf8.go 解读

时间:2022-03-23 21:27:14
// Copyright 2009 The Go Authors. All rights reserved.
// Use of this source code is governed by a BSD-style
// license that can be found in the LICENSE file. // go/src/unicode/utf8/utf8.go
// version 1.7 // 关于 UTF-8 编码方式请参考:http://www.cnblogs.com/golove/p/3222096.html package utf8 // 编码所需的基本数字
const (
RuneError = '\uFFFD' // 错误的 Rune 或 Unicode 代理字符
RuneSelf = 0x80 // ASCII 字符范围
MaxRune = '\U0010FFFF' // Unicode 码点的最大值
UTFMax = 4 // 一个字符编码的最大长度
) // Unicode 代理字符对 UTF-8 编码而言是无效的。
const (
surrogateMin = 0xD800
surrogateMax = 0xDFFF
) // 用词说明:
// 单字节字符:该字符的 UTF-8 编码需要一个字节存放
// 双字节字符:该字符的 UTF-8 编码需要两个字节存放
// 三字节字符:该字符的 UTF-8 编码需要三个字节存放
// 四字节字符:该字符的 UTF-8 编码需要四个字节存放
// 字符首字节:某字符的 UTF-8 编码中的第一个字节
// 字符次字节:某字符的 UTF-8 编码中的第二个字节
// 字符后续字节:某字符的 UTF-8 编码中首字节后面的其它字节 const (
// 位标记(用于判断字节有效性)
t1 = 0x00 // 0000 0000 单字节字符的首字节标记(二进制以 0 开头)
tx = 0x80 // 1000 0000 所有字符的后续字节标记(二进制以 10 开头)
t2 = 0xC0 // 1100 0000 双字节字符的首字节标记(二进制以 110 开头)
t3 = 0xE0 // 1110 0000 三字节字符的首字节标记(二进制以 1110 开头)
t4 = 0xF0 // 1111 0000 四字节字符的首字节标记(二进制以 11110 开头)
t5 = 0xF8 // 1111 1000 好像未使用 // 位掩码(用于获取标记之外的二进制位)
maskx = 0x3F // 0011 1111 所有字符的后续字节掩码
mask2 = 0x1F // 0001 1111 双字节字符的首字节掩码
mask3 = 0x0F // 0000 1111 三字节字符的首字节掩码
mask4 = 0x07 // 0000 0111 四字节字符的首字节掩码 rune1Max = 1<<7 - 1 // 单字节字符的总数(127 个)
rune2Max = 1<<11 - 1 // 双字节字符的总数(2047 个)
rune3Max = 1<<16 - 1 // 三字节字符的总数(65535 个) // UTF-8 字符的后续字节的一般取值范围
locb = 0x80 // 1000 0000
hicb = 0xBF // 1011 1111 // 字符首字节分类标记,用于将所有的字符首字节分成下面九类,分别处理。
// 以下十六进制常量的高位和低位分别表示不同的含义:
// 高位:“次字节取值范围列表”的索引,如果高位是 F 则表示字符是单字节字符
// 低位:字符的编码长度,如果高位是 F 则低位表示单字节字符的状态:有效、无效
xx = 0xF1 // 无索引,长度 1,对应无效 UTF-8 编码
as = 0xF0 // 无索引,长度 1,对应普通 ASCII 字符
s1 = 0x02 // 索引 0, 长度 2,对应普通“双字节字符”的首字节
s2 = 0x13 // 索引 1, 长度 3,对应特殊“双字节字符”的首字节 0xE0(用于编码长度跨越)
s3 = 0x03 // 索引 0, 长度 3,对应普通“三字节字符”的首字节
s4 = 0x23 // 索引 2, 长度 3,对应特殊“三字节字符”的首字节 0xED(用于代理区检测)
s5 = 0x34 // 索引 3, 长度 4,对应特殊“四字节字符”的首字节 0xF0(用于编码长度跨越)
s6 = 0x04 // 索引 0, 长度 4,对应普通“四字节字符”的首字节
s7 = 0x44 // 索引 4, 长度 4,对应特殊“四字节字符”的首字节 0xF4(用于范围检测)
) // first 是关于 UTF-8 字符中首字节的编码信息。
// 将所有的首字节进行分类,分为:xx、as、s1、s2、s3、s4、s5、s6、s7 九类,
// 其中 xx 代表无效首字节,s1 代表双字节字符的首字节
// s2、s3、s4 代表三字节字符的首字节
// s5、s6、a7 代表四字节字符的首字节
var first = [256]uint8{
// 1 2 3 4 5 6 7 8 9 A B C D E F
as, as, as, as, as, as, as, as, as, as, as, as, as, as, as, as, // 0x00-0x0F
as, as, as, as, as, as, as, as, as, as, as, as, as, as, as, as, // 0x10-0x1F
as, as, as, as, as, as, as, as, as, as, as, as, as, as, as, as, // 0x20-0x2F
as, as, as, as, as, as, as, as, as, as, as, as, as, as, as, as, // 0x30-0x3F
as, as, as, as, as, as, as, as, as, as, as, as, as, as, as, as, // 0x40-0x4F
as, as, as, as, as, as, as, as, as, as, as, as, as, as, as, as, // 0x50-0x5F
as, as, as, as, as, as, as, as, as, as, as, as, as, as, as, as, // 0x60-0x6F
as, as, as, as, as, as, as, as, as, as, as, as, as, as, as, as, // 0x70-0x7F
// 1 2 3 4 5 6 7 8 9 A B C D E F
xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, // 0x80-0x8F
xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, // 0x90-0x9F
xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, // 0xA0-0xAF
xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, // 0xB0-0xBF
xx, xx, s1, s1, s1, s1, s1, s1, s1, s1, s1, s1, s1, s1, s1, s1, // 0xC0-0xCF
s1, s1, s1, s1, s1, s1, s1, s1, s1, s1, s1, s1, s1, s1, s1, s1, // 0xD0-0xDF
s2, s3, s3, s3, s3, s3, s3, s3, s3, s3, s3, s3, s3, s4, s3, s3, // 0xE0-0xEF
s5, s6, s6, s6, s7, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, xx, // 0xF0-0xFF
} // acceptRange 给出次字节的取值范围。
type acceptRange struct {
lo uint8 // 次字节最小取值
hi uint8 // 次字节最大取值
} // 不同的首字节字符有不同的次字节取值范围,
// UTF-8 编码编不出这些范围之外的次字节内容。
var acceptRanges = [...]acceptRange{
// 普通字符的次字节,范围之外为无效编码(即二进制位不是以 10 开头)
0: {locb, hicb},
// 三字节特殊字符(首字节为 0xE0)的次字节:
// 如果次字节低于 0xA0 则该字符应该用两个字节表示,而不是三个字节。
// 如果次字节高于 hicb 则该字节为无效编码(即二进制位不是以 10 开头)
1: {0xA0, hicb},
// 三字节特殊字符(首字节为 0xED)的次字节:
// 如果次字节低于 locb 则该字节为无效编码(即二进制位不是以 10 开头)
// 如果次字节高于 0x9F 则该字符为代理区字符([ED A0 80] - [ED BF BF])
2: {locb, 0x9F},
// 四字节特殊字符(首字节为 0xF0)的次字节:
// 如果次字节低于 0x90 则该字符应该用三个字节表示,而不是四个字节。
// 如果次字节高于 hicb 则该字节为无效编码(即二进制位不是以 10 开头)
3: {0x90, hicb},
// 四字节特殊字符(首字节为 0xF4)的次字节:
// 如果次字节低于 locb 则该字节为无效编码(即二进制位不是以 10 开头)
// 如果次字节高于 0x8F 则该字符超出 Unicode 范围(超出 MaxRune)
4: {locb, 0x8F}, // 相邻字符的编码长度跨越: // [11011111 10111111] [DF BF] // U+07FF 的后一个字符为三字节
// [11100000 10100000 10000000] [E0 A0 80] // U+0800 的前一个字符为两字节 // [11101111 10111111 10111111] [EF BF BF] // U+FFFF 的后一个字符为四字节
// [11110000 10010000 10000000 10000000] [F0 90 80 80] // U+10000 的前一个字符为三字节
} // FullRune 判断 p 是否以一个完整(但不一定有效)的 UTF-8 字符开头。
// 一个无效的编码也被认为是完整字符,因为它将被转换为一个 RuneError 字符。
// 只有“编码有效但长度不够”的字符才被认为是不完整字符。
// 也就是说,只有截去一个有效字符的一个或多个后续字节,该字符才算是不完整字符。
// 举例:
// "好" 是完整字符
// "好"[1:] 是完整字符(首字节无效,转换为 RuneError 字符)
// "好"[2:] 是完整字符(首字节无效,转换为 RuneError 字符)
// "好"[:2] 是不完整字符(编码有效但长度不够)
// "好"[:1] 是不完整字符(编码有效但长度不够)
func FullRune(p []byte) bool {
n := len(p)
if n == 0 {
return false
}
// 查表并计算,获取编码长度,判断 p 的长度是否满足编码长度
x := first[p[0]]
if n >= int(x&7) { // x&7 获取的就是编码长度
// p 的长度满足编码长度,表示 p 是一个完整的字符开头。
return true
} // 此时 p 的长度不够,应该是不完整的字符了,但是如果 p 中是无效编码,也算完整。
// 此时 n 肯定小于 4,否则长度不可能不够。 // 获取首字节对应的次字节有效范围
accept := acceptRanges[x>>4]
if n > 1 {
if c := p[1]; c < accept.lo || accept.hi < c {
// 有一个无效字节,算完整字符
return true
} else if n > 2 && (p[2] < locb || hicb < p[2]) {
// 有一个无效字节,算完整字符
return true
}
}
// 全是有效字节,但长度不够,算不完整
return false
} // 功能同 FullRune,只不过参数为字符串。
func FullRuneInString(s string) bool {
n := len(s)
if n == 0 {
return false
}
x := first[s[0]]
if n >= int(x&7) {
return true
}
accept := acceptRanges[x>>4]
if n > 1 {
if c := s[1]; c < accept.lo || accept.hi < c {
return true
} else if n > 2 && (s[2] < locb || hicb < s[2]) {
return true
}
}
return false
} // 解码 UTF-8 序列 p 中的第一个 Unicode 字符。
// r :解码出的字符
// size:该字符的 UTF-8 编码长度
// 如果 p 为空,则返回 RuneError, 0
// 如果 p 为无效的 UTF-8 编码,则返回 RuneError, 1
// 无效 UTF-8 编码:UTF-8 编码不正确(比如长度不够)、结果超出 Unicode 范围、
// 编码不是最短的。
// 可以用四个字节编码一个单字节字符,但它不是最短的,比如:
// [111100000 10000000 10000000 10111000] 不是最短的,应该使用 [00111000]
func DecodeRune(p []byte) (r rune, size int) {
n := len(p)
if n < 1 {
return RuneError, 0
}
// 处理单字节字符
p0 := p[0]
x := first[p0]
if x >= as { // x 为 F0 或 F1
// 生成 0x0000 或 0xFFFF
mask := rune(x) << 31 >> 31
// return 保留 ASCII 字符 | 保留 RuneError, 1
return rune(p[0])&^mask | RuneError&mask, 1
} // 处理多字节字符 // 获取编码长度
sz := x & 7
// 获取次字节有效范围
accept := acceptRanges[x>>4]
// p 长度不够
if n < int(sz) {
return RuneError, 1
} // p 长度满足 // 次字节编码有效
b1 := p[1]
if b1 < accept.lo || accept.hi < b1 {
return RuneError, 1
}
// 处理有效的双字节字符
if sz == 2 {
return rune(p0&mask2)<<6 | rune(b1&maskx), 2
}
// 超过双字节,第三字节编码有效
b2 := p[2]
if b2 < locb || hicb < b2 {
return RuneError, 1
}
// 处理有效的三字节字符
if sz == 3 {
return rune(p0&mask3)<<12 | rune(b1&maskx)<<6 | rune(b2&maskx), 3
}
// 超过三字节,第四字节编码有效
b3 := p[3]
if b3 < locb || hicb < b3 {
return RuneError, 1
}
// 处理有效的四字节字符
return rune(p0&mask4)<<18 | rune(b1&maskx)<<12 | rune(b2&maskx)<<6 | rune(b3&maskx), 4
} // 功能同 DecodeRune,只不过参数为字符串
func DecodeRuneInString(s string) (r rune, size int) {
n := len(s)
if n < 1 {
return RuneError, 0
}
s0 := s[0]
x := first[s0]
if x >= as {
mask := rune(x) << 31 >> 31
return rune(s[0])&^mask | RuneError&mask, 1
}
sz := x & 7
accept := acceptRanges[x>>4]
if n < int(sz) {
return RuneError, 1
}
s1 := s[1]
if s1 < accept.lo || accept.hi < s1 {
return RuneError, 1
}
if sz == 2 {
return rune(s0&mask2)<<6 | rune(s1&maskx), 2
}
s2 := s[2]
if s2 < locb || hicb < s2 {
return RuneError, 1
}
if sz == 3 {
return rune(s0&mask3)<<12 | rune(s1&maskx)<<6 | rune(s2&maskx), 3
}
s3 := s[3]
if s3 < locb || hicb < s3 {
return RuneError, 1
}
return rune(s0&mask4)<<18 | rune(s1&maskx)<<12 | rune(s2&maskx)<<6 | rune(s3&maskx), 4
} // 功能同 DecodeRune,只不过解码的是最后一个字符。
func DecodeLastRune(p []byte) (r rune, size int) {
end := len(p)
if end == 0 {
return RuneError, 0
}
// 处理 p 的最后一个字节
start := end - 1
r = rune(p[start])
if r < RuneSelf { // 单字节字符直接返回
return r, 1
}
// 一次最多遍历 4 个字节,避免因无效 UTF8 编码造成的过度循环
lim := end - UTFMax
if lim < 0 {
lim = 0
}
// 按字节反向遍历
for start--; start >= lim; start-- {
if RuneStart(p[start]) { // 遇到首字节编码即可
break
}
}
// 遍历完了也没遇到首字节,则解码整个 p
if start < 0 {
start = 0
}
r, size = DecodeRune(p[start:end])
// 遇到无效编码,则只将最后一个字节解码为 RuneError
if start+size != end {
return RuneError, 1
}
// 解码成功
return r, size
} // 功能同 DecodeLastRune,只不过参数为字符串
func DecodeLastRuneInString(s string) (r rune, size int) {
end := len(s)
if end == 0 {
return RuneError, 0
}
start := end - 1
r = rune(s[start])
if r < RuneSelf {
return r, 1
}
lim := end - UTFMax
if lim < 0 {
lim = 0
}
for start--; start >= lim; start-- {
if RuneStart(s[start]) {
break
}
}
if start < 0 {
start = 0
}
r, size = DecodeRuneInString(s[start:end])
if start+size != end {
return RuneError, 1
}
return r, size
} // RuneLen 返回 r 的 UTF-8 编码所占用的字节数。
// 如果 r 不是一个有效的值(代理区或超出范围),则返回 -1。
func RuneLen(r rune) int {
switch {
case r < 0: // 超出范围
return -1
case r <= rune1Max: // 单字节字符范围
return 1
case r <= rune2Max: // 双字节字符范围
return 2
case surrogateMin <= r && r <= surrogateMax: // 代理区范围
return -1
case r <= rune3Max: // 三字节字符范围
return 3
case r <= MaxRune: // 四字节字符范围
return 4
}
return -1 // 超出范围
} // EncodeRune 将 r 编码为 UTF-8 序列,结果写入 p 中(p 必须足够长,一般为 4)
// 返回写入的字节数
func EncodeRune(p []byte, r rune) int {
// 负数是错误的,将其转换为无符号数,以使其超出范围,进而处理掉这个错误。
switch i := uint32(r); {
case i <= rune1Max: // 单字节字符
p[0] = byte(r)
return 1
case i <= rune2Max: // 双字节字符
p[0] = t2 | byte(r>>6)
p[1] = tx | byte(r)&maskx
return 2
// 超出范围或代理区字符
case i > MaxRune, surrogateMin <= i && i <= surrogateMax:
r = RuneError
fallthrough
case i <= rune3Max: // 三字节字符
p[0] = t3 | byte(r>>12)
p[1] = tx | byte(r>>6)&maskx
p[2] = tx | byte(r)&maskx
return 3
default: // 四字节字符
p[0] = t4 | byte(r>>18)
p[1] = tx | byte(r>>12)&maskx
p[2] = tx | byte(r>>6)&maskx
p[3] = tx | byte(r)&maskx
return 4
}
} // RuneCount 返回 p 中的字符数(不是字节数)
// 错误的和长度无效的编码中的每一个字节都会被当做一个字符处理。
// RuneError 被视为一个字符
func RuneCount(p []byte) int {
np := len(p)
var n int
for i := 0; i < np; {
n++
c := p[i]
if c < RuneSelf {
i++ // 单字节字符
continue
}
// 查表判断首字节的有效性
x := first[c]
if x == xx {
i++ // 首字节无效,字节当做一个字符处理
continue
}
// 首字节有效
size := int(x & 7)
if i+size > np {
i++ // 但长度不足,字节当做一个字符处理
continue
}
// 首字节有效,长度也够,判断后续字节的有效性
accept := acceptRanges[x>>4]
if c := p[i+1]; c < accept.lo || accept.hi < c { // 次字节无效
size = 1
} else if size == 2 { // 次字节有效,长度刚好为 2
} else if c := p[i+2]; c < locb || hicb < c { // 第三字节无效
size = 1
} else if size == 3 { // 第三字节也有效,长度刚好为 3
} else if c := p[i+3]; c < locb || hicb < c { // 第四字节无效
size = 1
} // 第四字节也有效,长度不是 1、2、3,肯定为 4(size == 4)
i += size
}
return n
} // 功能同 RuneCount,只不过参数为字符串
func RuneCountInString(s string) (n int) {
ns := len(s)
for i := 0; i < ns; n++ {
c := s[i]
if c < RuneSelf {
i++
continue
}
x := first[c]
if x == xx {
i++
continue
}
size := int(x & 7)
if i+size > ns {
i++
continue
}
accept := acceptRanges[x>>4]
if c := s[i+1]; c < accept.lo || accept.hi < c {
size = 1
} else if size == 2 {
} else if c := s[i+2]; c < locb || hicb < c {
size = 1
} else if size == 3 {
} else if c := s[i+3]; c < locb || hicb < c {
size = 1
}
i += size
}
return n
} // RuneStart 判断 b 是否为 UTF-8 字符编码的首字节(有可能是无效字节)。
// UTF-8 编码的后续字节的二进制位都是以 10 开始的。
func RuneStart(b byte) bool { return b&0xC0 != 0x80 } // Valid 判断 p 是否完全由有效的 UTF-8 编码组成。
func Valid(p []byte) bool {
// 代码同 RuneCount 类似
n := len(p)
for i := 0; i < n; {
pi := p[i]
if pi < RuneSelf {
i++
continue
}
x := first[pi]
if x == xx {
return false
}
size := int(x & 7)
if i+size > n {
return false
}
accept := acceptRanges[x>>4]
if c := p[i+1]; c < accept.lo || accept.hi < c {
return false
} else if size == 2 {
} else if c := p[i+2]; c < locb || hicb < c {
return false
} else if size == 3 {
} else if c := p[i+3]; c < locb || hicb < c {
return false
}
i += size
}
return true
} // 功能同 Valid,只不过参数为字符串
func ValidString(s string) bool {
n := len(s)
for i := 0; i < n; {
si := s[i]
if si < RuneSelf {
i++
continue
}
x := first[si]
if x == xx {
return false
}
size := int(x & 7)
if i+size > n {
return false
}
accept := acceptRanges[x>>4]
if c := s[i+1]; c < accept.lo || accept.hi < c {
return false
} else if size == 2 {
} else if c := s[i+2]; c < locb || hicb < c {
return false
} else if size == 3 {
} else if c := s[i+3]; c < locb || hicb < c {
return false
}
i += size
}
return true
} // ValidRune 判断 r 是否可以被编码成 UTF-8 序列。
// 代理区字符或超出范围则返回 false。
func ValidRune(r rune) bool {
switch {
case r < 0: // 超出范围
return false
case surrogateMin <= r && r <= surrogateMax: // 代理区字符
return false
case r > MaxRune: // 超出范围
return false
}
return true
}