日々の破片

_ 多いは少なく少ないは多い

Rubyで文字列の文字数（バイト数ではなく）を求める方法のまとめ。良い悪いは僕の好み。

1. jcodeを利用 (greenteaさん)
   ruby -rjcode -Ks -e 'puts "日本語".jsize'
   • 良い点：文字列のメソッド
   • 悪い点：正規表現生成、文字列生成とか重そう
2. split (kdmsnrさんというかレシピブック)
   ruby -Ks -e 'puts "日本語".split(//).size'
   • 良い点：シンプル
   • 悪い点：Arrayの生成、正規表現の生成とか重そう
3. scan (babieさん)
   ruby -Ks -e 'puts "日本語".scan(/./).size'
   • 良い点：-
   • 悪い点：Arrayの生成、正規表現の生成とか重そうだし、splitよりも.が多い（もっともsplitよりscanのほうが1文字少ないから文字数は同じ）

という具合で、共通点をくくりだすと、正規表現の生成はあきらめるしかない（というよりも、シンプルなコードで-Ks, -Ke, -Ku全部を扱えるようにすることを考えると他に手段はないような）。

あとは、もう1つのオブジェクト生成が抑制できれば良さそうだ。

で、まずは

ruby -Ks -e 'i = 0; "日本語".scan(/./) { i += 1 };puts i'

ブロックは作ってるけど必要なメモリー量は最小かも。でもコード量は多い。ということはいちいちこんなものは（2案、3案と違って）書けない。

であれば

class String
  def char_count
    cnt = 0
    self.scan(/./) { cnt += 1 }
    cnt
  end
end

追記：/./m にしないと改行を1文字としてカウントしない(それはそうだ)。

なcharstring.rbをrequireさせるようにするのが良さそう。

ちなみに、レシピブックにはこういった「〜するにはどうするの？」が多数収録されているのでRubyを使うなら手元に置いておきたい本です。

Rubyレシピブック 268の技(青木 峰郎)

追記：rubycoさんのeach_char。（デフォルト表示のツッコミはリンクにならないので）。

#一瞬、Rubystは文字指向ではなくバイト指向というフレーズを思いついたが、簡単にできるから無いだけだな。

追記：実際に数100Kのテキストで試すとイテレータ版はとても遅い。

_ Enumerable#injectの拡張

上の続き。 成瀬さんからのトラックバック。Array#injectを使うのは、この場合は「Arrayの生成」が必要なのでリジェクトだけど、String#each_byteを使う例はまさに望み通り（正規表現さえ不要）のやつです。ここの各メソッドを$KCODEの値で呼び出すようにすれば良いわけだし。

で、上のを書いたときも思ったし、成瀬さんのString#each_byteを使う実装を見ても思ったのだけど、injectのデザインパターン（アキュムレータに初期値を与え、要素単位にブロックを適用しその戻り値をアキュムレータに与え、最後にそのアキュムレータの値を返す）をeach以外に適用できないかなと。

で、injectの第1引数に繰り返しメソッドを指定するようにしてみたり。

追記：Enumulatorを使えば良い。

#!/usr/local/bin/ruby -Ks
module Enumerable
  alias :original_inject :inject
  def inject(*a, &p)
    if a.size != 2
      original_inject(*a, &p)
    else
      ac = a[1]
      self.send(a[0]) {|x|
        ac = p.call(ac, x)
      }
      ac
    end
  end
end
 
class String
  def char_count
    case $KCODE[0]
    when ?S
      trail = false
      inject(:each_byte, 0) { |n, c|
        if trail
          trail = false
        else
          if c > 0x80 && (c-32)>>6 != 2
            trail = true
          end
          n += 1
        end
        next n
      }
    when ?U
      inject(:each_byte, 0) { |n, c|
        if c>>6 != 2
          n += 1
        end
        next n
      }
    end
  end
end
 
p '日本語'.char_count

末尾がアキュムレータの評価にならない場合があるので最初nextの代わりにreturnとか書いてはまりにはまった。

追記：元々は最初のString#scanをそのまま（Arrayを生成せずにinjectデザインパターンを適用。引数のArrayは作ってるじゃんと思うかも知れないけど、でっかなテキストを与えた場合のArray生成が嫌だというのが理由なので、絶対にオブジェクトを作らないということではない）使いたかったのに、違うことをしている。

でもこれは格好が悪いなぁ(scanの引数をばらけさせてるところ)

module Enumerable
  def accum(*a)
    ac = 0
    nm = a.shift
    self.send(nm, *a) {|x|
        ac += 1
    }
    ac
  end
end
p '日本語'.accum(:scan, /./)