寻找Java中String.split性能更好的方法

摘要：有没有更快的方法如果分隔符不是单字符而且也不需要按正则分隔的话，使用的方法还会和一样使用正则表达式。使用分隔字符串，针对不需要按正则分隔的场景提供更好的实现，分隔符支持字符串。

String.split 是Java里很常用的字符串操作，在普通业务操作里使用的话并没有什么问题，但如果需要追求高性能的分割的话，需要花一点心思找出可以提高性能的方法。

String.split方法的分割参数regex实际不是字符串，而是正则表达式，就是说分隔字符串支持按正则进行分割，虽然这个特性看上去非常好，但从另一个角度来说也是性能杀手。

在Java6的实现里，String.split每次调用都直接新建Pattern对象对参数进行正则表达式的编译，再进行字符串分隔，而正则表达式的编译从字面上看就知道需要耗不少时间，并且实现中也没有对Pattern进行缓存，因此多次频繁调用的使用场景下性能很差，如果是要使用正则表达式分隔的话，应该自行对Pattern进行缓存。

public String[] split(String regex, int limit) {
    return Pattern.compile(regex).split(this, limit);
}

但很多时候我们并不会真的想使用正则表达式分隔字符串，我们其实想的只是用一个简单的字符比如空格、下划线分隔字符串而已，为了需要是满足这个需求却要背上正则表达式支持的性能损耗，非常不值得。

因此在Java7的实现里，针对单字符的分隔进行了优化，对这种场景实现了更合适的方法。单字符不走正则表达式的实现，直接利用indexOf快速定位分隔位置，提高性能。

/* fastpath if the regex is a
    (1)one-char String and this character is not one of the
    RegEx"s meta characters ".$|()[{^?*+", or
    (2)two-char String and the first char is the backslash and
    the second is not the ascii digit or ascii letter.
*/
char ch = 0;
if (((regex.value.length == 1 &&
        ".$|()[{^?*+".indexOf(ch = regex.charAt(0)) == -1) ||
        (regex.length() == 2 &&
        regex.charAt(0) == "" &&
        (((ch = regex.charAt(1))-"0")|("9"-ch)) < 0 &&
        ((ch-"a")|("z"-ch)) < 0 &&
        ((ch-"A")|("Z"-ch)) < 0)) &&
    (ch < Character.MIN_HIGH_SURROGATE ||
        ch > Character.MAX_LOW_SURROGATE))
{
    int off = 0;
    int next = 0;
    boolean limited = limit > 0;
    ArrayList list = new ArrayList<>();
    while ((next = indexOf(ch, off)) != -1) {
        if (!limited || list.size() < limit - 1) {
            list.add(substring(off, next));
            off = next + 1;
        } else {    // last one
            //assert (list.size() == limit - 1);
            list.add(substring(off, value.length));
            off = value.length;
            break;
        }
    }
    // If no match was found, return this
    if (off == 0)
        return new String[]{this};

    // Add remaining segment
    if (!limited || list.size() < limit)
        list.add(substring(off, value.length));

    // Construct result
    int resultSize = list.size();
    if (limit == 0)
        while (resultSize > 0 && list.get(resultSize - 1).length() == 0)
            resultSize--;
    String[] result = new String[resultSize];
    return list.subList(0, resultSize).toArray(result);
}

有没有更快的方法？如果分隔符不是单字符而且也不需要按正则分隔的话，使用split的方法还会和Java6一样使用正则表达式。这里还有其他备用手段：

使用StringTokenizer,StringTokenizer没有正则表达式分隔的功能，单纯的根据分隔符逐次返回分隔的子串，默认按空格分隔，性能比String.split方法稍好，但这个类实现比较老，属于jdk的遗留类，而且注释上也说明不建议使用这个类。

使用org.apache.commons.lang3.StringUtils.split分隔字符串，针对不需要按正则分隔的场景提供更好的实现，分隔符支持字符串。

还能有更快的方法么？注意到String.split和StringUtils.split方法返回值是String[], 原始数组的大小是固定的，而在分隔字符串不可能提前知道分隔了多少个子串，那这个数组肯定藏了猫腻，看看是怎么实现的。

定位String.split单字符实现，发现分隔的子串其实保存在ArrayList里，并没有高深的技巧，直到路径的最后一行，代码对存储了子串的ArrayList再转成数组，而toArray的实现里对数组进行了复制。

return list.subList(0, resultSize).toArray(result);

StringUtils.split方法里同样也是这样。

return list.toArray(new String[list.size()]);

因此这里可以做一个优化，把代码实现复制过来，然后将方法参数返回类型改为List，减少数组复制的内存消耗。

还能有更快的方法么？其实很多时候我们需要对分隔后的字符串进行遍历访问做一些操作，并不是真的需要这个数组，这和文件读取是一样的道理，读文件不需要把整个文件读入到内存中再使用，完全可以一次读取一行进行处理，因此还可以做一个优化，增加参数作为子串处理方法的回调，在相应地方改为对回调的调用，这样能完全避免数组的创建。也就是说，把字符串分隔看做一个流。

private static void splitWorker(final String str, final String separatorChars, final int max, final boolean preserveAllTokens, Consumer onSplit) {
    if (str == null) {
        return;
    }
    final int len = str.length();
    if (len == 0) {
        return;
    }
    int sizePlus1 = 1;
    int i = 0, start = 0;
    boolean match = false;
    boolean lastMatch = false;
    if (separatorChars == null) {
        // Null separator means use whitespace
        while (i < len) {
            if (Character.isWhitespace(str.charAt(i))) {
                if (match || preserveAllTokens) {
                    lastMatch = true;
                    if (sizePlus1++ == max) {
                        i = len;
                        lastMatch = false;
                    }
                    onSplit.accept(str.substring(start, i));
                    match = false;
                }
                start = ++i;
                continue;
            }
            lastMatch = false;
            match = true;
            i++;
        }
    } else if (separatorChars.length() == 1) {
        // Optimise 1 character case
        final char sep = separatorChars.charAt(0);
        while (i < len) {
            if (str.charAt(i) == sep) {
                if (match || preserveAllTokens) {
                    lastMatch = true;
                    if (sizePlus1++ == max) {
                        i = len;
                        lastMatch = false;
                    }
                    onSplit.accept(str.substring(start, i));
                    match = false;
                }
                start = ++i;
                continue;
            }
            lastMatch = false;
            match = true;
            i++;
        }
    } else {
        // standard case
        while (i < len) {
            if (separatorChars.indexOf(str.charAt(i)) >= 0) {
                if (match || preserveAllTokens) {
                    lastMatch = true;
                    if (sizePlus1++ == max) {
                        i = len;
                        lastMatch = false;
                    }
                    onSplit.accept(str.substring(start, i));
                    match = false;
                }
                start = ++i;
                continue;
            }
            lastMatch = false;
            match = true;
            i++;
        }
    }
    if (match || preserveAllTokens && lastMatch) {
        onSplit.accept(str.substring(start, i));
    }
}

public static void split(final String str, final String separatorChars, Consumer onSplit) {
    splitWorker(str, separatorChars, -1, false, onSplit);
}

// 使用方法
public void example() {
    split("Hello world", " ", System.out::println);
}

还能有更快的方法么？也有更极端的优化方法，因为在拿子串（substring方法）时实际发生了一次字符串复制，因此可以把回调函数改为传入子串在字符串的区间start、end，回调再根据区间读取子串进行处理，但并不是很通用，这里就不展示代码了，有兴趣的可以试一下。

还能有更快的方...