Типы данных: строки и руны

Попробуйте ответить на простой вопрос: сколько места занимает слово «привет»? Интуиция подсказывает «шесть букв», но Go отвечает иначе: 12 байт. Строка в Go — это неизменяемая последовательность байт, упакованная в тип string. Нулевое значение строки — пустая строка "", склеиваются строки плюсом: "Go" + "-" + "самоучитель".

Откуда берутся лишние байты? Go хранит строки в кодировке UTF-8: латинские буквы, цифры и знаки препинания занимают по одному байту, а кириллица — по два. Компьютер не видит «букв», он видит числа-байты, и все операции со строкой по умолчанию работают именно с байтами: len(s) возвращает длину в байтах, а s[0] — не первый символ, а первый байт, то есть число от 0 до 255.

Это не причуда Go, а осознанный инженерный выбор: байтовое представление делает срезы, конкатенацию и передачу строк по сети дешёвыми. Плата за скорость — необходимость понимать, где заканчиваются байты и начинаются символы. Этой границей мы и займёмся весь урок.

UTF-8 — кодировка переменной длины: один символ занимает от 1 до 4 байт в зависимости от своего кода в таблице Unicode. Латиница и цифры — 1 байт, кириллица — 2 байта, редкие иероглифы и эмодзи — 3-4 байта. Отсюда точные цифры: len("Go") — это 2, len("привет") — это 12 (шесть букв по два байта), а len("Hi 🙂") — 7: две латинские буквы, пробел и четырёхбайтовый эмодзи.

Красивый исторический факт: UTF-8 в 1992 году придумали Кен Томпсон и Роб Пайк — те самые люди, которые позже создали Go. Поэтому байтовая модель строк для языка «родная», а не вынужденная. В настоящем Go для подсчёта именно символов есть функция utf8.RuneCountInString из пакета unicode/utf8 — в нашей песочнице этого пакета нет, но принцип стоит запомнить: байтов в строке и символов в ней — разные числа, и различать их обязан каждый, кто обрабатывает пользовательский ввод на кириллице.

Каждому символу Unicode присвоен номер — кодовая точка. В Go для кодовых точек есть отдельный тип: rune, а под капотом это обычный int32. Название взято у букв древнескандинавских алфавитов — рун, каждая из которых обозначала и звук, и число одновременно. Рунный литерал пишется в одинарных кавычках: 'Ж' — это число 1046, код кириллической Ж в таблице Unicode.

Руна превращается в символ обратным преобразованием: string(1046) даёт "Ж", а глагол %c в Printf печатает символ прямо из числа — о нём подробнее в уроке про fmt и форматирование. Из этого следует сюрприз, который регулярно всплывает на форумах: fmt.Println('Ж') напечатает не букву, а 1046 — ведь переменная хранит число. Тип тоже честный: %T для руны покажет int32.

Запомните пары: байт — единица хранения (uint8), руна — единица смысла (int32). Строка хранится байтами, а мыслится рунами.

Из строки, как из среза, достаётся кусок: s[i:j] возвращает байты с i-го по j-1. Для латиницы всё прозрачно: "Go-самоучитель"[0:2] — это "Go". Но границы считаются по байтам, и с кириллицей нужна аккуратность: буква с занимает байты 3 и 4, буква а — байты 5 и 6, поэтому срез [3:7] отрезает ровно "са". Сместите границу на единицу — [3:8] — и от буквы м откушен первый байт: на экран вылезет испорченный символ, потому что получившаяся последовательность байт больше не является корректной UTF-8. Настоящий компилятор этого не заметит — ошибка проявится только при выводе.

Практическое правило: резать строки можно уверенно, если границы кратны длине символов, и опасно, если вы считаете байты руками. Все тонкости срезов — длина, ёмкость, шаринг памяти — ждут вас в уроке про срезы: создание и индексацию.

Строки сравниваются операторами ==, !=, <, > — и сравнение тоже идёт по байтам. Равенство проверяет, что все байты совпадают: "Go" == "Go" — истина, "go" == "Go" — ложь, регистр важен. Порядковое сравнение "apple" < "banana" вернёт true: код латинской a меньше кода b. С кириллицей порядок тоже работает корректно — разработчики UTF-8 позаботились, чтобы порядок байт в кодировке совпадал с порядком кодов символов, поэтому алфавитная сортировка фамилий из двух байт на букву внезапно оказывается правильной. Нюансы начинаются с регистрами и буквой ё, но это уже тема для полноценных алгоритмов сортировки, а не базового урока.

Ручные циклы по байтам нужны редко: почти всё, что вы захотите сделать со строкой, уже написано в стандартном пакете strings. Проверить вхождение подстроки — strings.Contains(s, "текст"); убедиться, что путь начинается с префикса, — strings.HasPrefix(path, "/api"); срезать пробелы по краям пользовательского ввода — strings.TrimSpace. Разбить строку на части — strings.Split("a,b", ",") вернёт срез строк, склеить обратно — strings.Join. Замена, повтор, перевод регистра — ReplaceAll, Repeat, ToUpper и ToLower.

Все функции пакета возвращают новые строки или срезы — помните про неизменяемость. Полный набор глаголов fmt для вывода строк в разных видах мы разбираем отдельно, а здесь — таблица-шпаргалка по самому востребованному.