奇怪的string.IndexOf行为

Question

奇怪的string.IndexOf行为

7

我写了下面的代码片段来去除文本块中多余的空格。

int index = text.IndexOf("  ");
while (index > 0)
{
    text = text.Replace("  ", " ");
    index = text.IndexOf("  ");
}

一般来说，这个方法可以正常工作，但可能有些原始和低效。

问题

当文本中包含“ - ”时，indexOf 函数会返回匹配结果，这是非常奇怪的！Replace 函数没有删除任何内容，然后就陷入了无限循环。

有什么想法关于字符串的 indexOf 函数出了问题吗？

- Andrew Harry

正则表达式替代函数 http://nlakkakula.wordpress.com/2008/09/16/removing-additional-white-spaces-in-sentence-c/ - Andrew Harry

我尝试了一下，似乎可以工作，包括2个和3个空格以及连字符。这是我的字符串：string text = "A B C - More Stuff - , hey look Working"。你能发一下你的字符串吗？ - Divi

在此处发布字符串可能无法正常工作，因为SO将使用更常见的字符替换有问题的字符。请尝试以下操作。打开CharMap，找到软连字符（它位于注册商标符号R-in-circle旁边），复制，然后将其粘贴到您的代码中，然后尝试运行。 - Lasse V. Karlsen

1个回答

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- Lasse V. Karlsen · Accepted Answer

啊，文本的乐趣。

你在SO上发布时可能遗失了其中的内容，但你最有可能看到的是“软连字符”。

为了再现这个问题，我在 LINQPad 中尝试了以下代码：

void Main()
{
    var text = "Test1 \u00ad Test2";
    int index = text.IndexOf("  ");
    while (index > 0)
    {
        text = text.Replace("  ", " ");
        index = text.IndexOf("  ");
    }
}

很明显，上面的代码只是陷入了一个循环。

注意，\u00ad 是软连字符的Unicode符号，根据CharMap。你始终可以从CharMap复制并粘贴该字符，但在SO上发布它将被其更常见的近亲连字号取代，Unicode符号为 u002d （键盘上的那个）。



您可以在String Class的文档中阅读一个小节，其中有关于此主题的说明:


  字符串搜索方法，例如String.StartsWith和String.IndexOf，也可以执行区分语言或基数字符串比较。以下示例说明了使用IndexOf方法进行基数和区分语言比较之间的差异。当前区域设置为英语（美国）的区分语言搜索认为子字符串“oe”匹配连字“œ”。由于软连字符（U+00AD）是零宽字符，所以搜索将软连字符视为等同于Empty，并在字符串开头找到匹配项。另一方面，基数搜索在任何情况下都不会发现匹配项。


我已经突出显示了相关部分，但我还记得有一篇关于这个确切问题的博客文章，但今晚我的Google-Fu失败了。

问题在于IndexOf和Replace使用不同的方法定位文本。

而IndexOf将软连字符视为“实际不存在”，因此发现其两侧的两个空格为“两个连接的空格”，而Replace方法则不会，因此不会删除它们中的任何一个。因此，存在循环继续迭代的条件，但由于Replace没有删除符合条件的空格，因此它永远不会结束。毫无疑问，在Unicode符号空间中还有其他类似问题的字符，但这是我见过的最典型的情况。

至少有两种处理方法:


您可以使用Regex.Replace，它似乎没有这个问题：
text = Regex.Replace(text, "  +", " ");
就我个人而言，我可能会在正则表达式中使用空格特殊字符，即\s，但如果你只想匹配空格，上面的代码也能实现。
你可以显式地要求IndexOf使用基于字典序的比较方式，这样就不会被文本所干扰了……好吧……这是一种方法：
index = text.IndexOf("  ", StringComparison.Ordinal);