我们有无数方法可用于删除字符串中的所有空白,但是哪个更快呢?
介绍
我们有无数方法可用于删除字符串中的所有空白。大部分都能够在绝大多数的用例中很好工作,但在某些对时间敏感的应用程序中,是否采用最快的方法可能就会造成天壤之别。
如果你问空白是什么,那说起来还真是有些乱。许多人认为空白就是 SPACE
字符(UnicodeU+0020,ASCII 32,HTML  
),但它实际上还包括使得版式水平和垂直出现空格的所有字符。事实上,这是一整类定义为Unicode字符数据库的字符。
本文所说的空白,不但指的是它的正确定义,同时也包括string.Replace(” “, “”)方法。
这里的基准方法,将删除所有头尾和中间的空白。这就是文章标题中“所有空白”的含义。
背景
这篇文章一开始是出于我的好奇心。事实上,我并不需要用最快的算法来删除字符串中的空白。
检查空白字符
检查空白字符很简单。所有你需要的代码就是:
- char wp = ' ' ;
- char a = 'a' ;
- Assert.True( char .IsWhiteSpace(wp));
- Assert.False( char .IsWhiteSpace(a));
但是,当我实现手动优化删除方法时,我意识到这并不像预期得那么好。一些源代码在微软的参考源代码库的char.cs挖掘找到:
- public static bool IsWhiteSpace( char c) {
- if (IsLatin1(c)) {
- return (IsWhiteSpaceLatin1(c));
- }
- return CharUnicodeInfo.IsWhiteSpace(c);
- }
-
- 然后CharUnicodeInfo.IsWhiteSpace成了:
-
- internal static bool IsWhiteSpace( char c)
- {
- UnicodeCategory uc = GetUnicodeCategory(c);
-
-
- switch (uc) {
- case (UnicodeCategory.SpaceSeparator):
- case (UnicodeCategory.LineSeparator):
- case (UnicodeCategory.ParagraphSeparator):
- return ( true );
- }
-
- return ( false );
- }
GetUnicodeCategory()方法调用InternalGetUnicodeCategory()方法,而且实际上相当快,但现在我们依次已经有了4个方法调用!以下这段代码是由一位评论者提供的,可用于快速实现定制版本和JIT默认内联:
-
- [MethodImpl(MethodImplOptions.AggressiveInlining)] // if it's not inlined then it will be slow!!!
- public static bool isWhiteSpace( char ch) {
- // this is surprisingly faster than the equivalent if statement
- switch (ch) {
- case '/u0009' : case '/u000A' : case '/u000B' : case '/u000C' : case '/u000D' :
- case '/u0020' : case '/u0085' : case '/u00A0' : case '/u1680' : case '/u2000' :
- case '/u2001' : case '/u2002' : case '/u2003' : case '/u2004' : case '/u2005' :
- case '/u2006' : case '/u2007' : case '/u2008' : case '/u2009' : case '/u200A' :
- case '/u2028' : case '/u2029' : case '/u202F' : case '/u205F' : case '/u3000' :
- return true ;
- default :
- return false ;
- }
- }
删除字符串的不同方法
我用各种不同的方法来实现删除字符串中的所有空白。
分离合并法
这是我一直在用的一个非常简单的方法。根据空格字符分离字符串,但不包括空项,然后将产生的碎片重新合并到一起。这方法听上去有点傻乎乎的,而事实上,乍一看,很像是一个非常浪费的解决方式:
- public static string TrimAllWithSplitAndJoin(string str) {
- return string.Concat(str.Split( default (string[]), StringSplitOptions.RemoveEmptyEntries));
- }
LINQ
这是优雅地声明式地实现这个过程的方法:
- public static string TrimAllWithLinq(string str) {
- return new string(str.Where(c => !isWhiteSpace(c)).ToArray());
- }
正则表达式
正则表达式是非常强大的力量,任何 程序员 都应该意识到这一点。
- static Regex whitespace = new Regex(@ "/s+" , RegexOptions.Compiled);
-
- public static string TrimAllWithRegex(string str) {
- return whitespace.Replace(str, "" );
- }
字符数组原地转换法
该方法将输入的字符串转换成字符数组,然后原地扫描字符串去除空白字符(不创建中间缓冲区或字符串)。最后,经过“删减”的数组会产生新的字符串。
- public static string TrimAllWithInplaceCharArray(string str) {
- var len = str.Length;
- var src = str.ToCharArray();
- int dstIdx = 0 ;
- for ( int i = 0 ; i < len; i++) {
- var ch = src[i];
- if (!isWhiteSpace(ch))
- src[dstIdx++] = ch;
- }
- return new string(src, 0 , dstIdx);
- }
字符数组复制法
这种方法类似于字符数组原地转换法,但它使用Array.Copy复制连续非空白“字符串”的同时跳过空格。最后,它将创建一个适当尺寸的字符数组,并用相同的方式返回一个新的字符串。
- public static string TrimAllWithCharArrayCopy(string str) {
- var len = str.Length;
- var src = str.ToCharArray();
- int srcIdx = 0 , dstIdx = 0 , count = 0 ;
- for ( int i = 0 ; i < len; i++) {
- if (isWhiteSpace(src[i])) {
- count = i - srcIdx;
- Array.Copy(src, srcIdx, src, dstIdx, count);
- srcIdx += count + 1 ;
- dstIdx += count;
- len--;
- }
- }
- if (dstIdx < len)
- Array.Copy(src, srcIdx, src, dstIdx, len - dstIdx);
- return new string(src, 0 , len);
- }
循环交换法
用代码实现循环,并使用 StringBuilder
类,通过依靠StringBuilder的内在优化来创建新的字符串。为了避免任何其他因素对本实施产生干扰,不调用其他的方法,并且通过缓存到本地变量避免访问类成员。最后通过设置StringBuilder.Length将缓冲区调整到合适大小。
-
- public static string TrimAllWithLexerLoop(string s) {
- int length = s.Length;
- var buffer = new StringBuilder(s);
- var dstIdx = 0;
- for (int index = 0; index < s.Length; index++) {
- char ch = s[index];
- switch (ch) {
- case '/u0020' : case '/u00A0' : case '/u1680' : case '/u2000' : case '/u2001' :
- case '/u2002' : case '/u2003' : case '/u2004' : case '/u2005' : case '/u2006' :
- case '/u2007' : case '/u2008' : case '/u2009' : case '/u200A' : case '/u202F' :
- case '/u205F' : case '/u3000' : case '/u2028' : case '/u2029' : case '/u0009' :
- case '/u000A' : case '/u000B' : case '/u000C' : case '/u000D' : case '/u0085' :
- length--;
- continue ;
- default :
- break ;
- }
- buffer[dstIdx++] = ch;
- }
- buffer.Length = length;
- return buffer.ToString();;
- }
循环字符法
这种方法几乎和前面的循环交换法相同,不过它采用if语句来调用isWhiteSpace(),而不是乱七八糟的 switch
伎俩 :)。
- public static string TrimAllWithLexerLoopCharIsWhitespce(string s) {
- int length = s.Length;
- var buffer = new StringBuilder(s);
- var dstIdx = 0 ;
- for ( int index = 0 ; index < s.Length; index++) {
- char currentchar = s[index];
- if (isWhiteSpace(currentchar))
- length--;
- else
- buffer[dstIdx++] = currentchar;
- }
- buffer.Length = length;
- return buffer.ToString();;
- }
原地改变字符串法(不安全)
这种方法使用不安全的字符指针和指针运算来原地改变字符串。我不推荐这个方法,因为它打破了.NET框架在生产中的基本约定:字符串是不可变的。
- public static unsafe string TrimAllWithStringInplace(string str) {
- fixed ( char * pfixed = str) {
- char * dst = pfixed;
- for ( char * p = pfixed; *p != 0 ; p++)
- if (!isWhiteSpace(*p))
- *dst++ = *p;
-
- /*// reset the string size
- * IT WOULD BE A LOT FASTER IF IT DID WORK THOUGH...
- Int32 len = (Int32)(dst - pfixed);
- Int32* pi = (Int32*)pfixed;
- pi[-1] = len;
- pfixed[len] = '/0';*/
- return new string(pfixed, 0 , ( int )(dst - pfixed));
- }
- }
原地改变字符串法V2(不安全)
这种方法几乎和前面那个相同,不过此处使用类似数组的指针访问。我很好奇,不知道这两种哪种存储访问会更快。
- public static unsafe string TrimAllWithStringInplaceV2(string str) {
- var len = str.Length;
- fixed ( char * pStr = str) {
- int dstIdx = 0 ;
- for ( int i = 0 ; i < len; i++)
- if (!isWhiteSpace(pStr[i]))
- pStr[dstIdx++] = pStr[i];
-
- return new string(pStr, 0 , dstIdx);
- }
- }
String.Replace(“”,“”)
这种实现方法很天真,由于它只替换空格字符,所以它不使用空白的正确定义,因此会遗漏很多其他的空格字符。虽然它应该算是本文中最快的方法,但功能不及其他。
但如果你只需要去掉真正的空格字符,那就很难用纯.NET写出胜过string.Replace的代码。大多数字符串方法将回退到手动优化本地C ++代码。而String.Replace本身将用comstring.cpp调用C ++方法:
- FCIMPL3(Object*,
- COMString::ReplaceString,
- StringObject* thisRefUNSAFE,
- StringObject* oldValueUNSAFE,
- StringObject* newValueUNSAFE)
下面是基准测试套件方法:
- public static string TrimAllWithStringReplace(string str) {
-
- // Whitespace comprises lots of other characters
- return str.Replace( " " , "" );
- }
许可证
这篇文章,以及任何相关的源代码和文件,依据The Code Project Open License (CPOL)的许可。
译文链接: http://www.codeceo.com/article/donet-remove-whitespace-string.html
英文原文: Fastest method to remove all whitespace from Strings in .NET