写程序很难之去除字符串的空白字符

在做性能调优时，用JProfiler测试Web应用的性能，发现有个replaceBlank函数占用了10%的CPU时间，进去看了下，是个简单的用正则去除XML文档里空白字符串的功能。但是这个简单功能却消耗了10%的性能。

在Web应用里，去掉空白字符串，似乎是个简单的功能，但是真正写起来，却也有些麻烦事。总结下。

方式一：正则表达式

http://stackoverflow.com/questions/5455794/removing-whitespace-from-strings-in-java

有两种写法：

s.replaceAll("\\s+", "");
s.replaceAll("\\s", "");

至于具体哪一种比较好，和具体的场景有有关。有连续空白字符串的选择每一种，如果是空白字符串都只有一个的话，就选择第二种。个人倾向于第一种。

正则表达式是比较慢的，比下面的方法要慢3到4倍以上。

方式二：org.springframework.util.StringUtils.trimAllWhitespace

具体的实现代码如下：

	public static String trimAllWhitespace(String str) {
		if (!hasLength(str)) {
			return str;
		}
		StringBuilder sb = new StringBuilder(str);
		int index = 0;
		while (sb.length() > index) {
			if (Character.isWhitespace(sb.charAt(index))) {
				sb.deleteCharAt(index);
			}
			else {
				index++;
			}
		}
		return sb.toString();
	}

看起来，没有什么问题，但是程序员的直觉：deleteCharAt函数是怎么实现的？应该不会有什么高效的算法可以实现这样的。

果然，实现代码如下：

    public AbstractStringBuilder deleteCharAt(int index) {
        if ((index < 0) || (index >= count))
            throw new StringIndexOutOfBoundsException(index);
        System.arraycopy(value, index+1, value, index, count-index-1);
        count--;
        return this;
    }

显然，过多地调用System.arraycopy会有性能问题。

方式三：改为调用StringBuilder.append 函数

	static public String myTrimAllWhitespace(String str) {
		if (str != null) {
			int len = str.length();
			if (len > 0) {
				StringBuilder sb = new StringBuilder(len);
				for (int i = 0; i < len; ++i) {
					char c = str.charAt(i);
					if (!Character.isWhitespace(c)) {
						sb.append(c);
					}
				}
				return sb.toString();
			}
		}
		return str;
	}

这个是最开始的思路。实际测试了下，发现大部分情况上，要比方式二效率高。

但是在某些情况，比如"aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa aaaaaaaaaaaaaaaaaaaa"，这种只有一个空白字符的，效率要慢。

方式四：结合二，三，只用System.arraycopy复制部分内存

第二种方式，在调用deleteAt时，要整个拷贝后面的所有字符串，显然在字符串很长的情况下，效率会降低。于是考虑只复制部分内存。

用两种pos来标记哪一部分是连续的非空白字符串。

	static public String myTrimAllWhitespace3(String str) {
		if (str != null) {
			int len = str.length();
			if (len > 0) {
				char[] src = str.toCharArray();
				char[] dest = new char[src.length];

				int destPos = 0;
				for (int pos1 = 0, pos2 = 0; pos2 < src.length;) {
					if (Character.isWhitespace(src[pos2])) {
						if (pos1 == pos2) {
							pos1++;
							pos2++;
						} else {
							System.arraycopy(src, pos1, dest, destPos, pos2
									- pos1);
							destPos += (pos2 - pos1);
							pos2++;
							pos1 = pos2;
						}
					} else {
						pos2++;
					}

					if (pos2 == src.length) {
						if (pos1 != pos2) {
							System.arraycopy(src, pos1, dest, destPos, pos2
									- pos1);
							destPos += (pos2 - pos1);
						}
						return new String(dest, 0, destPos);
					}
				}
			}
		}
		return str;
	}

方式五：去掉StringBuilder，直接操作char[]

在写完方式四，之后，测试发现效率在中间，和方式二，三相比，不好也不坏。似乎找到了一个平衡点。

但是忽然想到，既然在方式四中不直接操作char[]数组，为何不在方式二也这么做？于是有了：

	static public String myTrimAllWhitespace2(String str) {
		if (str != null) {
			int len = str.length();
			if (len > 0) {
				char[] dest = new char[len];
				int destPos = 0;
				for (int i = 0; i < len; ++i) {
					char c = str.charAt(i);
					if (!Character.isWhitespace(c)) {
						dest[destPos++] = c;
					}
				}
				return new String(dest, 0, destPos);
			}
		}
		return str;
	}

第六点：Unicode

上面的几种方式都只能处理大部分的情况，对于部分Unicode字符串，可能会有问题。

因为本人对这个比较敏感，最后写了个Unicode字符的处理：

	static public String myTrimAllWhitespace3(String str) {
		if (str != null) {
			int len = str.length();
			if (len > 0) {
				char[] src = str.toCharArray();
				char[] dest = new char[src.length];

				int destPos = 0;
				for (int pos1 = 0, pos2 = 0; pos2 < src.length;) {
					if (Character.isWhitespace(src[pos2])) {
						if (pos1 == pos2) {
							pos1++;
							pos2++;
						} else {
							System.arraycopy(src, pos1, dest, destPos, pos2
									- pos1);
							destPos += (pos2 - pos1);
							pos2++;
							pos1 = pos2;
						}
					} else {
						pos2++;
					}

					if (pos2 == src.length) {
						if (pos1 != pos2) {
							System.arraycopy(src, pos1, dest, destPos, pos2
									- pos1);
							destPos += (pos2 - pos1);
						}
						return new String(dest, 0, destPos);
					}
				}
			}
		}
		return str;
	}

这个处理Unicode的非常慢。。Java的String类并没有暴露足够多的函数来处理Unicode，所以处理起来很蛋疼。

总结：

测试代码在：

https://gist.github.com/hengyunabc/a4651e90db24cc5ed29a

我的电脑上测试最快的代码是方式五里的。

可能在某些特殊情况下，方式四中用System.arraycopy来复制标记两段内存会快点，但这个算法太复杂了，得不偿失。

本人倾向于符合直觉，而且效率线性的算法。

给Spring提了个path，一开始是方式三的代码，但是在某些情况下效率不高，导致周末心神不宁。。于是就有了后面的几种方式。

一个简单的功能，直正实现起来却也不容易，所以我尽量避免写Util类和方式，因为保证代码的质量，性能，不是一件容易的事。

https://github.com/spring-projects/spring-framework/pull/562