Go unicode/utf8.RuneLen 怎样判断字符占用的字节数

处理 Unicode 文本时，最容易混淆的是“一个字符”和“占几个字节”。Go 的 rune 表示一个 Unicode 码点，而 UTF-8 是它落到字节流时使用的编码。utf8.RuneLen 专门回答一个问题：给定一个 rune，它合法编码成 UTF-8 后需要多少个字节。

官方地址：https://pkg.go.dev/unicode/utf8#RuneLen

直接记住：ASCII 字符通常返回 1，中文等常见汉字通常返回 3，表情等四字节字符返回 4；如果 rune 超出合法 Unicode 范围或落在代理项范围，返回 -1。

先分清 rune、UTF-8 字节和 RuneLen

RuneLen 接收单个 rune，返回这个码点的 UTF-8 编码宽度，不负责遍历字符串，也不返回字符数量。下面的例子把几种容易混淆的输入放在一起：

package main

import (
    "fmt"
    "unicode/utf8"
)

func main() {
    samples := []rune{'A', '界', '🙂'}
    for _, r := range samples {
        // RuneLen 返回当前 rune 编码成 UTF-8 后占用的字节数。
        fmt.Printf("%U %q -> %d 字节\n", r, r, utf8.RuneLen(r))
    }
}

这里的预期关系是 A 占 1 字节，界 占 3 字节，🙂 占 4 字节。它们都是一个 rune，但编码宽度并不相同。静态结构图把“输入 rune—编码关系—字节宽度”拆开，便于定位长度计算放错层级的问题。

不要用 RuneLen 代替字符串长度统计

如果手里是字符串，应该先明确要回答哪一种长度：

• len(s) 返回字符串底层 UTF-8 字节数，适合估算网络或文件字节长度。
• utf8.RuneCountInString(s) 返回其中的 rune 数量，适合按 Unicode 码点计数。
• utf8.RuneLen(r) 只计算一个 rune 的编码宽度，适合单个码点的字段预估或缓冲区判断。

例如字符串 "Go界" 有 3 个 rune，但 UTF-8 字节数是 5。把 RuneCountInString 的结果直接当作传输长度，会在多字节字符出现时产生截断或容量计算错误。需要逐个处理时，可以先取 rune，再用 RuneLen 判断该码点的编码宽度。

func runeWidth(r rune) (int, bool) {
    // -1 表示该值不能合法编码为 UTF-8，因此返回 false。
    width := utf8.RuneLen(r)
    if width 

返回 -1 时，先检查是不是非法 rune

RuneLen 返回 -1，不代表“这个字符是一个字节”，而是表示输入值不能作为合法 Unicode 码点编码成 UTF-8。典型情况包括小于 0、大于 0x10FFFF，以及 UTF-16 代理项区间的值。utf8.RuneError 则是一个合法的替换字符，它本身可以编码，所以不能把它和非法 rune 混为一谈。

func classify(r rune) string {
    // 先用 RuneLen 取得编码宽度，再区分合法值与非法值。
    width := utf8.RuneLen(r)
    if width 

在真实代码中，如果输入来自解析器、外部协议或手工构造的 []rune，不要忽略这个负值。可以拒绝该字段、记录上游数据错误，或按业务约定替换成 utf8.RuneError 后再编码。至于字节切片是否整体有效，应使用 utf8.Valid 或 utf8.ValidString，它们和单个 rune 的宽度判断是不同层次的问题。

接入字段长度计算时的三个提醒

1. 需要计算整段字符串的 UTF-8 长度时，优先使用 len(s)；只有正在处理单个 rune 时才调用 RuneLen。
2. 需要给合法 rune 分配编码空间时，先判断返回值是否小于 0，再把 1 到 4 的宽度用于切片边界或容量预估。
3. 不要把“码点数量”“用户感知字符数量”和“UTF-8 字节数”当成同一个指标；组合字符、规范化和字形显示还需要更高层的文本规则。

一句话总结：utf8.RuneLen 解决的是“一个 rune 编成 UTF-8 要几个字节”，正常结果是 1 到 4，负数只表示输入不能合法编码。把它和 len、RuneCountInString 以及 ValidRune 分工使用，长度判断就不容易越层。

相关问题

RuneLen 返回 3 就一定是中文吗？ 不一定，它只表示 UTF-8 编码宽度为 3，多个 Unicode 码点范围都可能落在这个宽度。

RuneError 的 RuneLen 是多少？ utf8.RuneError 是合法替换字符，编码宽度为 3；它不等同于非法 rune。

如何判断一段字符串是否是合法 UTF-8？ 使用 utf8.ValidString，不要只对其中某个 rune 调用 RuneLen。