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