// 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 }
转载于:https://www.cnblogs.com/golove/p/5889790.html