String.prototype.trim()で何が除去されるのかを調査。

参考
- https://developer.mozilla.org/ja/docs/Web/JavaScript/Reference/Global_Objects/String/trim
- https://tc39.es/ecma262/#sec-string.prototype.trim

※筆者のメモであるため、このスクラップ上の情報の正確性や解釈の厳密さは一切担保せず責任を負わない

22.1.3.30.1のTrimStringにて解釈される
ちなみに22はText Processing
https://tc39.es/ecma262/#sec-trimstring

The definition of white space is the union of WhiteSpace and LineTerminator. When determining whether a Unicode code point is in Unicode general category “Space_Separator” (“Zs”), code unit sequences are interpreted as UTF-16 encoded code point sequences as specified in 6.1.4.

WhiteSpaceとLineTerminatorを確認すればよいみたい。

okunokentaro

UTF-16 encoded code point sequences as specified in 6.1.4.

とあるので、Unicode general category “Space_Separator” (“Zs”) に分類される文字もそうらしい。

okunokentaro

polyfillはこれ

if (!String.prototype.trim) {
  String.prototype.trim = function () {
    return this.replace(/^[\s\uFEFF\xA0]+|[\s\uFEFF\xA0]+$/g, '');
  };
}

okunokentaro

どうやら/[\s\uFEFF\xA0]/がWhiteSpace, LineTerminator, Space_Separator を満たすらしい。

okunokentaro

White Space

Code Point	Name	Abbreviation
U+0009	CHARACTER TABULATION	<TAB>
U+000B	LINE TABULATION	<VT>
U+000C	FORM FEED (FF)	<FF>
U+FEFF	ZERO WIDTH NO-BREAK SPACE	<ZWNBSP>
Category “Zs”	Any Unicode “Space_Separator” code point	<USP>

okunokentaro

Line Terminators

Code Point	Unicode Name	Abbreviation
U+000A	LINE FEED (LF)	<LF>
U+000D	CARRIAGE RETURN (CR)	<CR>
U+2028	LINE SEPARATOR	<LS>
U+2029	PARAGRAPH SEPARATOR	<PS>

okunokentaro

Category “Zs” がクセモノなのでこいつを深堀りする。

okunokentaro

検索するとでるっちゃでるけど、これらは1次ソースではないため根拠が薄い

okunokentaro

1次ソースたりえるのはこれか。

https://www.unicode.org/Public/UCD/latest/ucd/PropList.txt

okunokentaro

/\s/についてはここ。

https://tc39.es/ecma262/#sec-compiletocharset

okunokentaro

ECMAScriptとJava両方で空白として扱われるものはなにかを調べた。

			Category	Java	ECMAScript
U+0009	Character Tabulation, TAB	水平タブ	Cc	1	1
U+000A	End of Line, LF	改行	Cc	1	1
U+000B	Line Tabulation, VT	垂直タブ	Cc	1	1
U+000C	Form Feed, FF	フォーム・フィード	Cc	1	1
U+000D	Carriage Return, CR	復帰	Cc	1	1
U+001C	File Separator	ファイル区切り文字	Cc	1	0
U+001D	Group Separator	グループ区切り文字	Cc	1	0
U+001E	Information Separator Two	レコード区切り文字	Cc	1	0
U+001F	Information Separator One	単位区切り文字	Cc	1	0
U+0020	Space	半角スペース	Zs	1	1
U+00A0	No-Break Space, NBSP		Zs	0	1
U+1680	Ogham Space Mark		Zs	1	1
U+2000	En Quad		Zs	1	1
U+2001	Em Quad		Zs	1	1
U+2002	En Space		Zs	1	1
U+2003	Em Space		Zs	1	1
U+2004	Three-Per-Em Space		Zs	1	1
U+2005	Four-Per-Em Space		Zs	1	1
U+2006	Six-Per-Em Space		Zs	1	1
U+2007	Figure Space		Zs	0	1
U+2008	Punctuation Space		Zs	1	1
U+2009	Thin Space		Zs	1	1
U+200A	Hair Space		Zs	1	1
U+202F	Narrow No-Break Space, NNBSP		Zs	0	1
U+205F	Medium Mathematical Space, MMSP		Zs	1	1
U+3000	Ideographic Space	全角スペース	Zs	1	1
U+FEFF	Zero Width No-Break Space, BOM		Cf	0	1

https://docs.oracle.com/javase/jp/11/docs/api/java.base/java/lang/Character.html#isWhitespace(int)

Javaは（全バージョンの改定を追ったわけではないが）Ccカテゴリの区切り文字を空白として扱い、それはECMAScript上では空白として扱われないのが大きな違い。また、Javaでは改行なしの空白についてはZsカテゴリであったとしても空白として扱わない点も異なる。

okunokentaro

ECMAScript処理系でJavaの空白を除去することを満たそうとすると、String.prototype.trim()に加えてCcに分類される4つの区切り文字を除去するようにすればとりあえず安心っぽい。おわり。

okunokentaro

たまたま近いトピックを調査されていた@mugiさんからも記事が公開されました。併せてぜひ。