String.split()方法你可能不知道的一面
一、问题
java中String的split()是我们经常使用的方法，用来按照特定字符分割字符串，那么我们看以下一段代码： public void splitTest() {
String str = "aaa|bbb|ccc";
String[] array = str.split("|");
System.out.println(Arrays.toString(array));
}
是不是感觉很简单，就是吧str按照"|"分割，结果就是[aaa,bbb,ccc]嘛。如果你这么想，那么以后在用这个方法时你可能会犯下大错，把程序跑起来，你会惊讶的发现程序输入如下结果：
[, a, a, a, |, b, b, b, |, c, c, c]
为什么会出现这种情况呢？我们再来运行一下str.split("");就会发现结果和之前的结果一样，也就是说我们使用"|"分割的时候其实split是按照空字符分割的。
二、探究
为了找到原因，我们在来使用其他几种字符测试一下，结果如下：
0:[aaa, bbb, ccc] $:[aaa$bbb$ccc] ,:[aaa, bbb, ccc] *:异常java.util.regex.PatternSyntaxException: Dangling meta character '*' near index 0 ^:[aaa^bbb^ccc]我们会发现对于数字，","结果是正确的，而对于特殊字符，结果都不正确，而且如果经验丰富，你可能已经发现，这些特殊字符都是正则表达式中的匹配符，而那个异常也很明确的说明了这一点。
因此，我们可以猜测在split内部使用了正则表达式来匹配并分割字符串。那么现在又有一个疑问：我们知道一般情况下String涉及的字符串处理多数使用indexOf()（可能是考虑效率问题吧），那么这里为什么使用正则呢？我们还是直接看看源码吧：
public String[] split(String regex, int limit) {
char ch = 0;
if (((regex.value.length == 1 &&
".$|()[{^?*+\\".indexOf(ch = regex.charAt(0)) == -1) ||
(regex.length() == 2 &&
regex.charAt(0) == '\\' &&
(((ch = regex.charAt(1))-'0')|('9'-ch)) < 0 &&
((ch-'a')|('z'-ch)) < 0 &&
((ch-'A')|('Z'-ch)) < 0)) &&
(ch < Character.MIN_HIGH_SURROGATE ||
ch > Character.MAX_LOW_SURROGATE))
{
int off = 0;
int next = 0;
boolean limited = limit > 0;
ArrayList<String> list = new ArrayList<>();
while ((next = indexOf(ch, off)) != -1) {
if (!limited || list.size() < limit - 1) {
list.add(substring(off, next));
off = next + 1;
} else { // last one
//assert (list.size() == limit - 1);
list.add(substring(off, value.length));
off = value.length;
break;
}
}
// If no match was found, return this
if (off == 0)
return new String[]{this};
// Add remaining segment
if (!limited || list.size() < limit)
list.add(substring(off, value.length));
// Construct result
int resultSize = list.size();
if (limit == 0)
while (resultSize > 0 && list.get(resultSize - 1).length() == 0)
resultSize--;
String[] result = new String[resultSize];
return list.subList(0, resultSize).toArray(result);
}
return Pattern.compile(regex).split(this, limit);
}
可以看到方法内有一个if，如果条件为true，那么就使用indexOf（）判断后substring()截取，如果为false，则使用正则处理。那么我们就来分析下这个if的条件：
//第一步部分：当regex的长度为1且不是“.$|()[{^?*+\\”中的时，为真
(regex.value.length == 1 &&".$|()[{^?*+\\".indexOf(ch = regex.charAt(0)) == -1)
//第二部分：当长度为2时且第一个字符为“\”转义字符，第二个字符不是字符0-9 a-z A-Z 以及utf-16之间的字符
(regex.length() == 2 && regex.charAt(0) == '\\' && (((
ch = regex.charAt(1))-'0')|('9'-ch)) < 0 &&
((ch-'a')|('z'-ch)) < 0 &&
((ch-'A')|('Z'-ch)) < 0)) &&
(ch < Character.MIN_HIGH_SURROGATE ||
ch > Character.MAX_LOW_SURROGATE) 从if可以看出如果regex内容为一个非正则匹配符或者是转以后的特殊字符时，采用indexOf()+substring()处理，否则使用正则表达式。
那么为什么这么做呢，直接使用第一种方法不就行了？其实我们可以考虑一种复杂的情况:
aaax111xbbbx222xcccx333xddd
如果我想分割出这样的结果 [aaa, bbb, ccc, ddd] 应该则么做呢？按照第一种方法，实现起来很麻烦，需要一大堆判断，反而不如正则方便，而String中的split()方法正是出于这样的考虑实现的，不信你用split("x.*?x")试试。
三、启示
这次这件事虽小，但是却让我收获不少。
- 1、使用一个不了解的方法前，一定要看一眼提示，split方法说明里虽然没有明确的提示上述问题，但是多个地方都提到了正则，连参数名字都是regex，作为一个经验丰富的程序员，应该想到这一点。
- 2、对于一些小的功能点（往往我们还胸有成竹）一定要写个Test测一下，其实把代码贴过去跑一下费不了多少劲，但是当他淹没在成百上千行的代码中时，想要在发现问题就很费劲了，特别是你不调试根本想不到这点会错。
- 3、我们在多数项目中都要建个util工具包，封装各种辅助的操作类，然而这些类的功能往往只是满足当时的需求，之后用到类似但有变动的功能时往往习惯单独实现一个，而不是实现一个完善的覆盖原来的，从设计的角度会造成接口不一致：明明同样的需求、同样的参数，我却还要看看他的内部实现才能选择用哪个。对于这些工具类，我们不一定要非常完美，但是应该用心做到尽量完善，这也方便复用。