Java の Character.isSpaceChar() / Character.isWhitespace() の違いと String.trim() / String.strip() の違いが良くわからなくなった時に見るメモ

はじめに

Character.isSpaceChar() と Character.isWhitespace() はいずれも引数の文字がスペースかどうかを判定する static メソッドだが、その違いは？

文字列の前後のスペースを削除するには String.trim() がよく使われてきたが、同じようなものに String.strip() がある。その違いは？

スペースの定義の違い

• Character.isSpaceChar() は、Unicode の Zs(Space Separator)、Zl(Line Separator)、Zp(Paragraph Separator) カテゴリで true となる

• Character.isWhitespace() は、Character.isSpaceChar() に加え(ただしNo-Breakを除く)、Cc(Control)カテゴリの一部で true となる

• String.strip() は、 Character.isWhitespace() が true のものが削除対象

• String.trim() は、ASCII の制御コード部分(U+0020 より小さいもの)が削除対象
• U+200B や U+FEFF は、いずれの場合も空白として判断されない

まとめると以下の表になる。

注意すべきものは赤字。

カテゴリ	Code Point	Name	説明	isSpaceChar()	isWhitespace() / strip()	trim()
Zs	U+0020	Space	半角スペース 通常は 1/4 em の幅	〇	〇	〇
Zs	U+00A0	No-Break Space	&nbsp Space と同じ幅。No-Break	〇	✗	✗
Zs	U+1680	Ogham Space mark	オガム文字のスペース(ダッシュで表示される)	〇	〇	✗
Zs	U+180E	Mongolian Vowel Separator	モンゴル語の​​母音区切り	〇	〇	✗
Zs	U+2000	En Quad	1/2 em 幅	〇	〇	✗
Zs	U+2001	Em Quad	1 em 幅 (フォントの高さと同じ)	〇	〇	✗
Zs	U+2002	En Space	  1/2 em	〇	〇	✗
Zs	U+2003	Em Space	  1 em	〇	〇	✗
Zs	U+2004	Three-Per-Em Space	1/3 em	〇	〇	✗
Zs	U+2005	Four-Per-Em Space	1/4 em	〇	〇	✗
Zs	U+2006	Six-Per-Em Space	1/6 em	〇	〇	✗
Zs	U+2007	Figure Space(No-Break)	固定幅フォントの数字と同じ幅。No-Break	〇	✗	✗
Zs	U+2008	Punctuation Space	ピリオドの幅	〇	〇	✗
Zs	U+2009	Thin Space	  1/5 em	〇	〇	✗
Zs	U+200A	Hair Space	Thin Space よりさらに狭い	〇	〇	✗
Zs	U+202F	Narrow No-Break Space	狭い&nbsp。No-Break	〇	✗	✗
Zs	U+205F	Medium Mathematical Space	4/18 em (Unicode 4.0〜)	〇	〇	✗
Zs	U+3000	Idepgraphic Space	全角スペース	〇	〇	✗
Zl	U+2028	Line Separator	Unicodeの行区切り文字	〇	〇	✗
Zp	U+2029	Paragraph Separator	Unicodeの段落区切り文字	〇	〇	✗
Cc	U+0000	Null	NUL	✗	✗	〇
Cc	...			✗	✗	〇
Cc	U+0008	Backspace	BS	✗	✗	〇
Cc	U+0009	Character Tabulation	水平タブ \t	✗	〇	〇
Cc	U+000A	End of Line	改行 \n	✗	〇	〇
Cc	U+000B	Line Tabulation	垂直タブ	✗	〇	〇
Cc	U+000C	Form Feed	フォーム・フィード \f	✗	〇	〇
Cc	U+000D	Carriage Return	復帰 \r	✗	〇	〇
Cc	U+000E	Locking-Shift One		✗	✗	〇
Cc	...			✗	✗	〇
Cc	U+001B	Escape	ESC	✗	✗	〇
Cc	U+001C	File Separator	ファイル区切り文字	✗	〇	〇
Cc	U+001D	Group Separator	グループ区切り文字	✗	〇	〇
Cc	U+001E	Information Separator Two	レコード区切り文字	✗	〇	〇
Cc	U+001F	Information Separator One	単位区切り文字	✗	〇	〇
Cc	U+007F	Delete	DEL	✗	✗	✗
Cc	...			✗	✗	✗
Cc	U+009F	Application Program Command	APC	✗	✗	✗
Cf	U+200B	Zero Width Space	ゼロ幅のスペース	✗	✗	✗
Cf	U+FEFF	Zero Width No-Break Space	ゼロ幅の &nbsp	✗	✗	✗

スペースっぽいもの全てを切り捨てる

よくわからないスペースや制御文字を除きたい場合は、バッサリと以下で判断してしまえば良い。

public static String strip(String string) {  
    return string.codePoints()  
        .filter(cp -> !isBlank(cp))  
        .collect(StringBuilder::new, StringBuilder::appendCodePoint, StringBuilder::append)
        .toString();  
}  
  
public static boolean isBlank(int cp) {  
    return Character.isSpaceChar(cp) ||  
        Character.isISOControl(cp) ||  
        cp == '\u200B'||  
        cp == '\uFEFF';  
}

• Character.isISOControl() はCc(Control)カテゴリのもので true
• U+200B と U+FEFF はスペースのカテゴリ外でたまに問題になるので削除しておくと安全