Go 字符串按字节索引导致中文乱码的处理方案

Go 字符串按下标取值时拿到的是一个字节，不是一个中文字符。中文在 UTF-8 中通常占 3 个字节，所以直接写 s[i]，再把结果转成字符串，就可能得到乱码或替换字符。处理方法取决于任务：顺序遍历用 range，需要字符位置用 []rune，已有字节偏移或分片边界时用 unicode/utf8 解码。

字符串索引先区分字节位置和字符位置

Go 规范把 string 定义为不可变的字节序列。ASCII 字符通常只占 1 个字节，而“中”这样的 Unicode 码点在 UTF-8 中占多个字节。因此下面的索引结果类型是 byte，不是 rune：

package main

import "fmt"

func main() {
	s := "Go中文"
	// len 统计字节数；s[2] 只取出“中”的第一个 UTF-8 字节。
	fmt.Println(len(s), s[2])
	// 把单个字节强行转成字符串，会把它当成独立数值，不能还原中文。
	fmt.Printf("%q\n", string(s[2]))
}

这里不要把“乱码”理解成编码库坏了：索引动作本身已经切断了 UTF-8 编码单元。若只是统计原始传输长度，len(s) 反而是正确答案；只有要按字符处理时，才需要换到 rune 层。

顺序处理优先使用 range

过滤中文、查找某个码点或逐字符拼接时，range 是最直接的方案。它会从字符串中解码 rune；循环变量 offset 是该 rune 在原字符串中的字节起点，而不是第几个字符。

package main

import (
	"fmt"
	"strings"
)

func keepHan(s string) string {
	var b strings.Builder
	// range 负责 UTF-8 解码，r 是码点；这里只保留中文示例字符。
	for offset, r := range s {
		_ = offset // 需要回写原串位置时，保留这个字节偏移。
		if r >= '一' && r 

这个写法不需要先复制一份完整的 []rune。如果业务同时需要原文切片位置，直接使用 offset；如果只关心字符值，就使用第二个循环变量。

需要第 n 个字符时转换为 []rune

字符串没有“第 n 个 Unicode 码点”的常量时间索引。分页、截取摘要或替换指定字符位置时，可以先转换成 rune 切片，再做边界检查：

func runeAt(s string, n int) (rune, bool) {
	rs := []rune(s)
	// n 按 rune 计数；负数和超出码点数量都返回失败。
	if n = len(rs) {
		return 0, false
	}
	return rs[n], true
}

[]rune(s) 会复制并展开码点，适合需要多次随机访问或编辑的短文本；对大文本只访问一次时，先 range 扫描通常更省内存。还要注意，rune 是 Unicode 码点，不等于用户看到的字形，一个 emoji 序列或带组合附加符号的文字可能包含多个 rune。

已有字节偏移时用 utf8 解码

协议分片、文件扫描器或索引表通常已经给出字节位置，这时不要先把整个字符串转成 rune 切片。用 utf8.DecodeRuneInString 读取当前位置，并检查返回的宽度：

package main

import (
	"fmt"
	"unicode/utf8"
)

func nextRune(s string, byteOffset int) (rune, int, bool) {
	if byteOffset = len(s) {
		return 0, 0, false
	}
	// 只有从 rune 起点解码，才不会把一个多字节字符从中间切开。
	if !utf8.RuneStart(s[byteOffset]) {
		return 0, 0, false
	}
	r, size := utf8.DecodeRuneInString(s[byteOffset:])
	// RuneError 且宽度为 1，通常表示输入含有非法 UTF-8 字节。
	if r == utf8.RuneError && size == 1 {
		return 0, 0, false
	}
	return r, size, true
}

func main() {
	r, width, ok := nextRune("Go中文", 2)
	fmt.Println(r, width, ok)
}

这里的 width 是当前 rune 占用的字节数。若输入可能来自外部文件或网络，先用 utf8.ValidString 做整体检查，再决定是拒绝、替换还是按错误 rune 继续处理。

按任务选择方案，别把 rune 当成字形

修复乱码的核心不是“把所有 string 都转成 []rune”，而是先明确数据层：字节长度用于传输和切片，rune 数量用于 Unicode 码点，用户感知字符则可能需要更高层的文本分割规则。

相关问题

len("中文") 为什么不是 2？

因为 len 返回字节数；中文 UTF-8 通常每个码点占 3 个字节，所以结果是 6。

range 的索引能直接当字符下标吗？

不能。它是当前 rune 的字节起点，若要按第几个码点访问，应使用 []rune 或自己累计 rune 序号。

为什么 emoji 仍可能被拆开？

emoji 可能由多个 Unicode 码点组合而成。需要按用户感知字符截取时，应使用专门的 grapheme cluster 规则，而不是只依赖 rune。