JavaScript拆分字符串时产生空字符的原因

问题描述

使用JavaScript的split方法拆分字符串时出现一些空字符串""，尤其是当使用正则表达式作为分隔符的时候。

相关问题

javascript正则表达式对字符串分组时产生空字符串组？

在上面这个问题中，题主使用正则表达式对字符串进行分割时产生了多个空字符串""，代码如下：

'张sdf四上法asdf翁芬aa33网s'.split(/([\u4e00-\u9fa5]{1})/gi);
//输出["", "张", "sdf", "四", "", "上", "", "法", "asdf", "翁", "", "芬", "aa33", "网", "s"]

那么，产生这些空字符串的原因是什么？

问题分析

在Google上搜索了一番，发现相关的结果并不多，即便有，详细解释的也不多，大概的说了一下，然后就给出了一个ECMAScript规范的链接。看来要想知道真正的原因，就只能硬着头皮看规范了。

相关标准

那么，接下来，按照国际惯例，先上ECMAScript的标准镇楼。

String.prototype.split (separator, limit)

这个章节详细介绍了split方法的执行步骤，如果感兴趣的话可以一步一步的认真看完，我在这里只把和产生空字符串相关的步骤拿出来解释一下，不当之处，欢迎大家提出。

相关步骤

摘取部分步骤：

整个过程中最主要的步骤是第13步这个循环，而这个循环主要做的事情如下：

• 定义p, q的值，每一次循环开始的时候p和q的值是相同的（该步骤在循环之外）；
• 调用SplitMatch(S, q, R)这个方法对字符串进行拆分；
• 根据返回结果的不同，执行不同的分支，主要分支为分支ⅲ；
• 分支ⅲ又分成了8个小步用来将返回的结果填充到事先定义好的数组A中
• 在这个8小步中，步骤1的作用是返回原始字符串的一个子串，开始位置是p（包含在内），结束位置是q（不包含在内），注意：在这一步中会产生空字符串，我将其标记为截取字符串，方便下文引用。
• 将上一步的子串添加到数组A中
• 接下来的几步是更新相关的变量，继续下一次循环。（步骤7的作用是将正则表达式中的捕获分组保存到数组A中，和产生空字符串无关）

SplitMatch(S, q, R)

接下来，我们需要了解一下SplitMatch(S, q, R)这个方法做了些什么事。这个方法在split规范中的下方有提及。它主要做的事是，根据分隔符(separator)的类型进行相应的操作：

• 如果分隔符是RegExp类型的，调用RegExp的内部方法[[Match]]来对字符串进行匹配，如果匹配失败，返回failure，否则，返回一个MatchResult类型的结果。
• 如果分隔符是字符串，进行匹配判断，失败返回failure，成功返回MatchResult类型的结果。

MatchResult

上面的步骤中又引出了一个MatchResult类型的变量。通过查文档发现，该类型的变量有两个属性endIndex和captures，endIndex的值是字符串匹配的位置加上1，captures可以理解为一个数组，当分隔符为正则表达式时，它里面的元素是分组捕获的值；当分隔符为字符串时，它为一个空数组。

接下来

我们从上面的步骤可以看出，分割的字符串是在截取字符串这一步骤中产生的（正则表达式的分组捕获除外）。它的作用是截取指定开始（包含在内）和结束位置（不包含在内）之间的字符串，那它什么时候会返回""呢？有一种特殊情况是开始位置和结束位置的值相等，这只是猜想而已，因为该规范没有给出截取字符串的规范步骤。

都走到这里了，为什么不再往前走一步呢？

于是，我试着搜索了一些V8的源码，看看能不能找到具体的实现方法。确实找到了相关的代码，源码链接

这里摘取其中一部分：

function StringSplitJS(separator, limit) {
...
...
//分隔符是字符串的情况
if (!IS_REGEXP(separator)) {
var separator_string = TO_STRING_INLINE(separator);

if (limit === 0) return [];

// ECMA-262 says that if separator is undefined, the result should
// be an array of size 1 containing the entire string.
if (IS_UNDEFINED(separator)) return [subject];

var separator_length = separator_string.length;

//分隔符是空字符串，直接返回了字符数组
if (separator_length === 0) return %StringToArray(subject, limit);

var result = %StringSplit(subject, separator_string, limit);

return result;
}

if (limit === 0) return [];

// 分隔符是正则表达式的情况，调用StringSplitOnRegExp
return StringSplitOnRegExp(subject, separator, limit, length);
}

//此处省略若干代码

我在代码中发现，在填充数组的时候会调用%_SubString这个方法来截取字符串，可惜的是我没有找到他的相关定义，如果有找到的同学欢迎告知。但是，我发现JavaScript中substring这个方法所对应的StringSubstring这个方法会调用%_SubString这个方法，并将其结果返回。那么如果'abc'.substring(1,1)返回""，则表明%_SubString这个方法在开始位置和结束位置相同的时候会返回""，结果大家一试便知。

那么，什么时候会出现开始位置等于结束位置（即q === p）的情况呢？我按照上面的步骤一步一步的进行分析，最终发现：

• 当原始字符串S匹配过一次分隔符之后，紧接着，字符串S的下一个位置还匹配分隔符。如：'abbbc'.split('b')，'abbbc'.split(/(b){1}/)
• 另一种情况是字符串开头的一个或几个字符匹配分隔符。如：'abc'.split('a')，'abc'.split(/ab/)
• 还有一种情况是字符串结尾的一个或几个字符串匹配分隔符，与之相关的步骤是第14步。
  如：'abc'.split('c')，'abc'.split(/bc/)

此外，当使用正则表达式作为分隔符的时候，返回的结果中还有可能出现undefined。
如：'abc'.split(/(d)*/)

回过头来再看看开头的那个例子，是不是满足上面几种情况？

题外话

这是我第一次这么仔细的看ECMAScript的标准规范，看的过程确实很痛苦，但明白之后就感觉很痛快了。也感谢题主提出的这个问题，以及追问。
顺便提一句，正则表达式作为分隔符时，global修饰符g是会被忽略的，这也算是一次额外的收获。