Javascript检测字符串字节长度（for VS 正则）

dn001 2009-05-12 10:00:58

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：