Go unicode.IsLetter 识别中文和组合字符时要注意什么

用 Go 校验用户名、搜索词或多语言文本时，unicode.IsLetter 很容易被理解成“判断用户看到的字符是不是字母”。实际情况更精确：它接收一个 rune，判断这个 Unicode code point 是否属于 Letter 类别。中文汉字通常会返回 true；组合重音符号本身通常属于 Mark 类别，不能因为它和前面的字母显示成一个字形，就期待 IsLetter 对它也返回 true。

unicode.IsLetter 只负责单个 rune 的 Unicode 分类；处理组合字符时，应先按 rune 遍历，再决定是否把 IsMark 作为字母后的合法延伸。它不是“用户感知字符数”或“完整字符串只含字母”的快捷判断。

unicode.IsLetter 判断的是分类，不是屏幕上的一个字

Go 的 string 保存的是 UTF-8 字节序列，range 遍历时得到的是 rune，也就是代表 Unicode code point 的整数值。unicode.IsLetter 对这个单点做 Unicode General Category 判断，覆盖拉丁字母、汉字以及其他文字系统中的字母类字符；它不会把整段字符串当成一个整体分析。

package main

import (
	"fmt"
	"unicode"
)

func main() {
	text := "Go中文"
	for _, r := range text {
		// 注释：range 按 rune 遍历，避免把多字节中文拆成单个 UTF-8 字节。
		fmt.Printf("%c %U letter=%t\n", r, r, unicode.IsLetter(r))
	}
}

这里的关键不是把“字符”换成另一个名字，而是确认验证层级：字节层适合检查编码和传输，rune 层适合做 Unicode 类别判断，用户感知字符层则还要考虑组合标记和其他扩展规则。把三层混在一起，最常见的结果就是中文被错误拒绝，或长度限制与展示结果对不上。

组合字符为什么会让 IsLetter 看起来“不一致”

以带重音的拉丁字母为例，文本既可能使用一个预组合 code point，也可能使用基础字母后接组合标记。两种写法渲染出来可能近似，但 range 看到的 rune 数量和类别不同：基础字母通常是 Letter，重音标记通常是 Mark。IsLetter 判断后者为 false 并不矛盾，它只是在回答“这个单独的 code point 是不是字母”。

package main

import (
	"fmt"
	"unicode"
	"unicode/utf8"
)

func inspect(s string) {
	// 注释：先拒绝非法 UTF-8，避免把替换 rune 当成业务输入继续处理。
	if !utf8.ValidString(s) {
		fmt.Println("invalid UTF-8")
		return
	}
	for _, r := range s {
		// 注释：组合标记不是 Letter；是否放行由字段规则决定。
		fmt.Printf("%U letter=%t mark=%t\n", r, unicode.IsLetter(r), unicode.IsMark(r))
	}
}

因此，不能只写“遍历后每个 rune 都必须是 Letter”来实现多语言名称校验。更稳妥的规则通常是：第一个有效 rune 必须是 Letter，后续 rune 可以是 Letter、Mark，必要时再加数字或业务允许的连接符。若目标是按用户看到的字形计数或截断，IsLetter 还不够，需要选择专门处理 grapheme cluster 的方案，并把该选择记录在接口约定中。

按业务目标组合 IsLetter、IsMark 和长度规则

我更建议把“字符合法性”和“展示长度”拆成两个函数：前者回答输入是否符合字段语法，后者回答界面能容纳多少用户感知字符。这样即使后续增加数字、连接符或脚本限制，也不会悄悄改变长度语义。组合标记是否允许，应该由字段用途决定，而不是由某次打印结果倒推。

相关问题

中文会被 unicode.IsLetter 判定为字母吗？

通常会。汉字属于 Unicode 的 Letter 类别，但这不代表所有汉字相关符号、标点或表情符号都属于 Letter。

组合重音符号为什么不是 Letter？

它通常属于 Mark 类别，作用是修饰前面的基础字符。需要允许它时，应在业务规则中显式加入 unicode.IsMark。

用 len(s) 统计中文或组合字符可以吗？

不适合。len 统计 UTF-8 字节数，[]rune 统计 code point 数；两者都不等于用户感知字符数。