- 源代码已提交至 https://github.com/lianggx6/goutf16 ,可方便在代码中引用。
- 最近使用Golang进行一些编码方面的工作,需要把utf8编码的string转化为utf16编码的uint16数组。
- 比较简单直接的做法是借助golang中的utf16标准库和rune类型进行转换。如下所示。这个方法虽然写起来简单,但是缺点在于内存消耗更大,效率太低。主要原因在于string类型转换[]rune类型时,需要申请一次内存。[]rune再转换成[]uint16时又需要申请一遍内存。这样一来,这个操作就慢了很多。
package main
import (
"fmt"
"unicode/utf16"
)
func main() {
encodeContent := utf16.Encode([]rune("你好")) //encode
fmt.Println(encodeContent)
decodeContent := utf16.Decode(encodeContent) //decode
fmt.Println(string(decodeContent))
}
- 在网上找了许久也没有找到其他可以将一个utf8编码的数组转换为utf16编码的[]uint16数组的好方法,于是决定仿照utf16标准库自己动手实现一个。
- 这份代码能够实现主要是在于,golang中,使用for range 语法迭代string和[]rune数组时,所得到的值是一样的。(但是使用len+下标访问就是不一样的了),所以完全可以把标准库中的代码抄过来改一下变量来实现。
- 源码:
package goutf16
import (
"strings"
"unicode/utf16"
"unicode/utf8"
)
const (
replacementChar = 'uFFFD' // Unicode replacement character
maxRune = 'U0010FFFF' // Maximum valid Unicode code point.
)
const (
// 0xd800-0xdc00 encodes the high 10 bits of a pair.
// 0xdc00-0xe000 encodes the low 10 bits of a pair.
// the value is those 20 bits plus 0x10000.
surr1 = 0xd800
surr2 = 0xdc00
surr3 = 0xe000
surrSelf = 0x10000
)
func EncodeStringToUTF16(s string) []uint16 {
n := 0
for _, v := range s {
n++
if v >= 0x10000 {
n++
}
}
a := make([]uint16, n)
n = 0
for _, v := range s {
switch {
case 0 <= v && v < surr1, surr3 <= v && v < surrSelf:
// normal rune
a[n] = uint16(v)
n++
case surrSelf <= v && v <= maxRune:
// needs surrogate sequence
r1, r2 := utf16.EncodeRune(v)
a[n] = uint16(r1)
a[n+1] = uint16(r2)
n += 2
}
}
return a[:n]
}
func DecodeUTF16ToString(s []uint16) string {
n := 0
for i := 0; i < len(s); i++ {
switch r := s[i]; {
case r < surr1, surr3 <= r:
// normal rune
n += utf8.RuneLen(rune(r))
case surr1 <= r && r < surr2 && i+1 < len(s) &&
surr2 <= s[i+1] && s[i+1] < surr3:
// valid surrogate sequence
n += utf8.RuneLen(utf16.DecodeRune(rune(r), rune(s[i+1])))
i++
default:
// invalid surrogate sequence
n += utf8.RuneLen(replacementChar)
}
}
var b strings.Builder
b.Grow(n)
for i := 0; i < len(s); i++ {
switch r := s[i]; {
case r < surr1, surr3 <= r:
// normal rune
b.WriteRune(rune(r))
case surr1 <= r && r < surr2 && i+1 < len(s) &&
surr2 <= s[i+1] && s[i+1] < surr3:
// valid surrogate sequence
b.WriteRune(utf16.DecodeRune(rune(r), rune(s[i+1])))
i++
default:
// invalid surrogate sequence
b.WriteRune(replacementChar)
}
}
return b.String()
}
package main
import (
"fmt"
"github.com/lianggx6/goutf16"
)
func main() {
encodeContent := goutf16.EncodeStringToUTF16("你好") //encode
fmt.Println(encodeContent)
decodeContent := goutf16.DecodeUTF16ToString(encodeContent) //decode
fmt.Println(string(decodeContent))
}
- 由于这种实现,避免了转码过程中[]rune类型和string类型的转换,大大提高了转码效率,本质上和string转换为[]rune的消耗相差无几。