电脑技术学习

Javascript检测字符串字节长度(for VS 正则)

dn001

先来几句题外话。今天面试百度公司web前端研发部的职位,整个面试持续了一个小时。面试结束的时候,我心情格外地好,虽然有部分问题还是回答不上来或者回答得不好,但面试官是一个很好的人,面试就像在谈心,我抒发了许多压在心中很久的想法,所以面试结束后心情格外地舒畅^_^

有一道题今天没回答好,给我的印象也特别深:用Javascript检测一个字符串的字节长度。

当然,首先必须弄清楚‘字节长度’的含义。字符串有一个length属性,可以检测该字符串的长度,但是这里所说的长度是‘字符长度’。而‘字节长度’,呵呵,比如说吧,中文字符占用2个字节(与编码有关),所以,字节长度!= 字符长度^_^

我在考试的时候一般都用惯性思维(所以每次竞赛的时候都不能拿到好成绩^_^),于是马上就想到给它一个for循环,然后判断每一个字符的编码,但是我没有马上回答。面试官见我好像不敢回答,就主动地提示说可不可以用for循环,我当然是肯定了一下啦。但是我不马上回答说用for循环,是因为我清楚这是一般人的思维,百度公司哟,不可能简单地考一个for循环的啦。果然不出我所料,在我肯定了之后,面试官进一步问我,有没有其他更好的方法,用for循环似乎复杂度高了些。

于是,我苦思冥想,绞尽脑汁,最后害怕时间拖拉得太长就放弃了。面试官真是个好人,在我放弃的时候他没有不了了之,还提示说能不能用正则表达式,呀,我恍然大悟啊!我花了那么长时间去学正则表达式,真正要用到的时候竟然忽略了它,罪过啊!

好吧,在面试的时候,我承认自己的确认为用正则表达式去检测在复杂度上会胜于for。

但是,我想说的是但是……

先看看一下两段代码吧,它们分别用for循环和正则表达式来检测字符串的字节长度:

for循环检测字符串的字节长度:

var lenFor = function(str){
var byteLen=0,len=str.length;
if(str){
for(var i=0; i<len; i++){
if(str.charCodeAt(i)>255){
byteLen += 2;
}
else{
byteLen++;
}
}
return byteLen;
}
else{
return 0;
}
}

正则表达式检测字符串的字节长度:

var lenReg = function(str){
return str.replace(/[^x00-xFF]/g,'**').length;
};

我用以下代码段对以上两个函数进行测试,主要是测试其运行时间:

var s = '......';//一个很长的字符串,这里不罗列

function a(){
var timeStart,timeEnd;
timeStart = new Date();
var s1 = lenReg(s);
timeEnd = new Date();
var t1 = (timeEnd - timeStart)*1000;
timeStart = new Date();
var s2 = lenFor(s);
timeEnd = new Date();
var t2 = (timeEnd - timeStart)*1000;
alert('lenReg: ' + s1 + ' time: ' + t1 + 'nlenFor: ' + s2 + ' time: ' + t2);
}
window.onload = function(){
a();
};

以上代码在浏览器载入完毕的时候弹出一个警示窗口,窗口上有两行信息:第一行是用正则表达式检测的字符串字节长度和所用时间(×1000);第二行是用for循环检测字符串字节长度和所用时间(×1000)。

我得到两种答案:

第一种:

lenReg: 25824 time: 20000

lenFor: 25824 time: 10000

第二种:

lenReg: 48795 time: 15000

lenFor: 48795 time: 25000

需要说明的是,两次测试所用的字符串为同一字符串。

为什么会相差那么大呢?我到底偷偷改了什么??以上我提过,“中文字符占用2个字节(与编码有关)”(本文第三段),中文字符占用多少个字节是与编码有关的,一般情况下,GB-2312和UTF-8编码中,中文字符占用2个字节,但是在iso-8859-1编码中,中文字符占用5个字节。

是的,问题就在于文档的编码。以上第一种情况的编码为:charset=UTF-8,第二种情况的编码为charset=iso-8859-1。

在中文网页中,我们一般都不会用charset=iso-8859-1进行编码(中文乱码),而是用charset=UTF-8或GB-2312进行编码。问题就在这里,比较一下以上的第一种情况吧:

lenReg: 25824 time: 20000

lenFor: 25824 time: 10000

如上所示,用正则表达式检测所用的时间竟然是for循环的两倍!!!!(其实,测试多次之后也不全部都是两倍,但大部分测试都是两倍)

为什么呢?

str.replace(/[^x00-xFF]/g,'**').length;

看看以上语句(lenReg函数中的语句)。就我个人理解,问题就出现在这里——replace的时候要遍历一次字符串,在调用length的时候又要遍历一次字符串,所以整个运算过程需要遍历两次字符串。而for循环只需要遍历一次——这应该就是问题所在了,但是我不是非常确定。

我不太确定以上的理解是否确切,但是从表面上分析应该是这样的。

那么,用正则表达式检测真的使算法更加复杂吗?还是以上没有充分利用正则表达式的优势?现在我还没有意义的想法,需要进一步去推敲。先保持着怀疑吧^_^……