你写的字符(串)忽略大小写比较函数真的严谨吗？
提示
阅读本文需要同时对c++和java有一定了解。
背景
有时我们比较两个字符串时不考虑它们是大写还是小写；举个例子，在这种情况下我们认为“BanAna”和“baNaNA”是等价的。
其中一种思路是：
1. 将两个字符串都转换为小写（或者都转换为大写）；
2.比较转换后的两个字符串是否相同。
这里给出一段C++示例代码：
//C++ example that we offen use bool testIgnoreCase(string str1, string str2){ transform(str1.begin(),str1.end(),str1.begin(),::tolower); transform(str2.begin(),str2.end(),str2.begin(),::tolower); //Or //transform(str1.begin(),str1.end(),str1.begin(),::toupper); //transform(str2.begin(),str2.end(),str2.begin(),::toupper); cout<<str1<<" "<<str2<<endl;//apple apple return str1 == str2; } int main() { string str1 = "ApplE"; string str2 = "apPle"; cout<<testIgnoreCase(str1,str2);//1 return 0; }
上面的代码同一将两个字符串转换为了小写，然后比较。当然你先转换为大写也行。
看起来功能已经实现了。
但这种做法真的严谨吗？
考虑下面的两个例子：
//C++ example1 bool testIgnoreCase(string str1, string str2){ transform(str1.begin(),str1.end(),str1.begin(),::tolower); transform(str2.begin(),str2.end(),str2.begin(),::tolower); //Or //transform(str1.begin(),str1.end(),str1.begin(),::toupper); //transform(str2.begin(),str2.end(),str2.begin(),::toupper); cout<<str1<<" "<<str2<<endl;//ı i return str1 == str2; } int main() { string str1 = "ı";//unicode=305,注意不在ascii范围内 string str2 = "I";//常见的大写字母I cout<<testIgnoreCase(str1,str2);//0 return 0; }
//C++ example2 bool testIgnoreCase(string str1, string str2){ //transform(str1.begin(),str1.end(),str1.begin(),::tolower); //transform(str2.begin(),str2.end(),str2.begin(),::tolower); //Or transform(str1.begin(),str1.end(),str1.begin(),::toupper); transform(str2.begin(),str2.end(),str2.begin(),::toupper); cout<<str1<<" "<<str2<<endl;//İ I return str1 == str2; } int main() { string str1 = "İ";//unicode=304,注意不在ascii范围内 string str2 = "i";//常见的小写字母i cout<<testIgnoreCase(str1,str2);//0 return 0; }
从上面两个例子中，可以看到，不管是全部转换为小写还是全部转换为大写，再比较的方式，都是不严谨的。主要的原因是我们没有考虑超出ascii编码范围的字符。
上面的例子中，总共涉及到四个字符，分别为：
| i | 常见的小写字母i，Ascii=105 |
| I | 常见的大写字母I，Ascii=73 |
ı
|
unicode=305 |
İ
|
unicode=304 |
因此引出一个疑问：这四个字符，是一族的吗？换句话说，它们是否真的被视为等价？如果它们不等价，上面的问题就不算是问题了。
这个问题就涉及到两种语言之间的差异了：
Java中，它们之间大小写转换关系如下：
而C++中，这几个字符不被视为等价，这就意味着，就算你这样写（先转换为小写，如果还不相等，再转换为大写判断；当然先转换为大写后转换为小写是一样的思路）：
//C++
bool testIgnoreCase(string str1, string str2){ transform(str1.begin(),str1.end(),str1.begin(),::tolower); transform(str2.begin(),str2.end(),str2.begin(),::tolower); if(str1 == str2) { return true; } transform(str1.begin(),str1.end(),str1.begin(),::toupper); transform(str2.begin(),str2.end(),str2.begin(),::toupper); return str1 == str2; }
也不会起丝毫作用。
那Java中是如何实现IgnoreCace的呢？
看Java中的equalsIgnoreCase()函数源码：
//Java public boolean equalsIgnoreCase(String anotherString) { return (this == anotherString) ? true : (anotherString != null) && (anotherString.value.length == value.length) && regionMatches(true, 0, anotherString, 0, value.length); } public boolean regionMatches(boolean ignoreCase, int toffset, String other, int ooffset, int len) { char ta[] = value; int to = toffset; char pa[] = other.value; int po = ooffset; // Note: toffset, ooffset, or len might be near -1>>>1. if ((ooffset < 0) || (toffset < 0) || (toffset > (long)value.length - len) || (ooffset > (long)other.value.length - len)) { return false; } while (len-- > 0) { char c1 = ta[to++]; char c2 = pa[po++]; if (c1 == c2) { continue; } if (ignoreCase) { // If characters don't match but case may be ignored, // try converting both characters to uppercase. // If the results match, then the comparison scan should // continue. char u1 = Character.toUpperCase(c1); char u2 = Character.toUpperCase(c2); if (u1 == u2) { continue; } // Unfortunately, conversion to uppercase does not work properly // for the Georgian alphabet, which has strange rules about case // conversion. So we need to make one last check before // exiting. if (Character.toLowerCase(u1) == Character.toLowerCase(u2)) { continue; } } return false; } return true; }
可以看到，Java中的忽略大小写比较先将字符转换为大写，对于不相等的字符，又转换为小写比较；这样做相当于多了一层保障。
再细究，我们先看小写转换，观察其更为底层的实现：
1 int toLowerCase(int ch) { 2 int mapChar = ch; 3 int val = getProperties(ch); 4 5 if ((val & 0x00020000) != 0) { 6 if ((val & 0x07FC0000) == 0x07FC0000) { 7 switch(ch) { 8 // map the offset overflow chars 9 case 0x0130 : mapChar = 0x0069; break; 10 case 0x2126 : mapChar = 0x03C9; break; 11 case 0x212A : mapChar = 0x006B; break; 12 case 0x212B : mapChar = 0x00E5; break; 13 // map the titlecase chars with both a 1:M uppercase map 14 // and a lowercase map 15 case 0x1F88 : mapChar = 0x1F80; break;
16 /*******为保证阅读效果，省略很多case*******/
17 case 0xA7AA : mapChar = 0x0266; break; 18 // default mapChar is already set, so no 19 // need to redo it here. 20 // default : mapChar = ch; 21 } 22 } 23 else { 24 int offset = val << 5 >> (5+18); 25 mapChar = ch + offset; 26 } 27 } 28 return mapChar; 29 }
源码中的getProperties，获取到字符的属性（感兴趣的可以阅读源码），然后根据不同的情况执行对应的操作。对于我们的例子，第9行
case 0x0130 : mapChar = 0x0069; break;
将İ（304）转换为i（105）。注意程序中是16进制的。
再看大写转换：
1 int toUpperCase(int ch) { 2 int mapChar = ch; 3 int val = getProperties(ch); 4 5 if ((val & 0x00010000) != 0) { 6 if ((val & 0x07FC0000) == 0x07FC0000) { 7 switch(ch) { 8 // map chars with overflow offsets 9 case 0x00B5 : mapChar = 0x039C; break; 10 case 0x017F : mapChar = 0x0053; break; 11 case 0x1FBE : mapChar = 0x0399; break; 12 // map char that have both a 1:1 and 1:M map 13 case 0x1F80 : mapChar = 0x1F88; break;
14 /*******为保证阅读效果，这里省略很多case*******/
15 case 0x2D2D : mapChar = 0x10CD; break; 16 // ch must have a 1:M case mapping, but we 17 // can't handle it here. Return ch. 18 // since mapChar is already set, no need 19 // to redo it here. 20 //default : mapChar = ch; 21 } 22 } 23 else { 24 int offset = val << 5 >> (5+18); 25 mapChar = ch - offset; 26 } 27 } 28 return mapChar; 29 }
转换ı（305）时，程序跳到了第24行：
int offset = val << 5 >> (5+18);
将其转换为I（73）。
至此，上面的例子可以正常运行了。
总结
对于Java:
1. 对于Ascii码表中的字符，传统方法（只转换为大写或小写）完全没有问题；
2. 若要考虑更多字符集，需多加考虑，这时要多加一次转换和比较。除了文中列举的字符，还有其他字符存在类似的问题。
对于C++:
1. 对于Ascii码表中的字符，传统方法（只转换为大写或小写）完全没有问题；
2. C++对于超出Ascii码表的字符处理方式和Java不同。由于看不到tolower的源码，这里没有进一步分析，有知晓的读者欢迎留言。
后记
1. 文中涉及到了“等价”和“相等”的概念，这里不做具体区分，可参考《Effective C++》详细了解。
2. C++还有其他函数如strcasecmp/stricmp可以忽略大小写比较，它们都是只转换为小写后比较，具体可以看官网说明：
XXX compares string1 and string2 without sensitivity to case. All alphabetic characters in the two arguments string1 and string2 are converted to lowercase before the comparison.
参考话题
https://stackoverflow.com/questions/15518731/understanding-logic-in-caseinsensitivecomparator
