前两天接了一个需求运营扔过来一张Excel表里面全是手机号但格式真是惨不忍睹有的带横线有的中间有空格有的前面多了个86还有的直接在号码后面备注了张总李总。需求列了三件事删除这些杂字符提取每个手机号的短号然后统计一下所有号码里0到9分别出现了多少次。听起来特别简单对吧可真正动手写的时候小坑一个接一个。这篇文章把这次实践中跟删除字符、手机短号、字符串统计相关的完整思路、代码和踩坑记录都整理出来给做数据处理或者刚接触字符串操作的同学一个参考。需要说明的是虽然案例是手机号但背后的字符串处理技巧完全通用——C里怎么安全删除指定字符、Java里怎么优雅处理回文串式的问题、MySQL里字符字段的存储陷阱这些都是日常开发高频碰到的。我尽量把每一步的原理和代码都写清楚方便你直接照着改。1. 先理清楚需求删除字符、短号提取、统计到底在做什么1.1 一个典型的字符串清洗场景运营给的数据长这样138-1234-5678 139 1234 5678 张总 8613800138000 15012345678 021-12345678目标是把每个手机号变成纯11位数字然后删除所有非数字字符横线、空格、中文备注、“86”前缀。提取短号——我们这里定义为手机号后四位比如13812345678的短号是5678。统计所有手机号里0到9每个数字出现的总次数看分布情况。这三个步骤单独拎出来都是基础操作但组合在一起就有讲究了删除字符要考虑到不同语言的API差异提取短号要先校验有效长度统计频次要选对数据结构。顺序也不能乱——肯定先清洗再提取最后统计。如果先提取后清洗短号可能会带上横线或者空格统计就会出错。1.2 方案选型为什么不同场景要用不同手段这次实践我分别用了C和Java两种语言实现原因是它们的字符串处理思路刚好代表了两类主流写法C的std::string是一个可变字符序列删除字符需要配合算法库的remove/remove_if和自身的erase方法稍不注意就会踩迭代器失效的坑。Java的String是不可变对象所有“修改”操作都返回新字符串适合用replaceAll和StringBuilder来高效处理。手机短号提取本身很简单substring就能搞定但麻烦在于前置校验号码到底是不是11位中间有没有混入非数字所以我把清洗和校验放在一起避免后面拿到脏数据。字符串统计则推荐用数组而不是哈希表——因为统计范围明确是数字0到9用长度10的int数组存取比HashMap快一个数量级代码也更清晰。如果统计的是任意字符再考虑unordered_map或HashMap。1.3 影响范围从日志清洗到数据脱敏你可能会觉得“删除字符 短号 统计”这种组合有点冷门但实际上它的应用面很广日志分析中经常要从原始文本里删除时间戳、特殊符号再统计关键词频次。用户画像场景中把手机号、身份证号等敏感信息脱敏后提取关键标识。算法题里判断“删除一个字符能否变成回文串”就是删除字符问题的变种。数据库字段清洗时经常遇到char和varchar存储空值、空字符串导致的数据“看起来被删了”的坑。这些场景的共同点是对字符串做“减法”删除、做“切分”提取、做“聚合”统计。把这三种基本功练扎实以后遇到更复杂的文本处理就能举一反三。2. 删除字符的实战C与Java的几种正确姿势2.1 C string 删除指定字符的经典陷阱与惯用法先看需求里最简单的部分删除字符串中的横线和空格。很多人第一反应是循环遍历逐个判断遇到目标字符就erase。我一开始也是这么写的std::string s 138-1234-5678; for (size_t i 0; i s.size(); i) { if (s[i] -) { s.erase(i, 1); i--; // 删除后索引回退 } }这段代码在小字符串上能跑但有两个隐患第一每次erase都会把后面的字符全部往前移动时间复杂度O(n^2)第二如果写成for (auto it s.begin(); it ! s.end(); it)然后erase(it)迭代器会失效直接未定义行为。正确做法是STL的“erase-remove惯用法”。核心思路是先用remove把要删除的字符移到末尾再统一用erase截断std::string s 138-1234-5678; s.erase(std::remove(s.begin(), s.end(), -), s.end());如果要删除“所有非数字字符”remove就不够用了得用remove_if配合lambda#include algorithm #include cctype std::string s 138-1234-5678 张总; s.erase(std::remove_if(s.begin(), s.end(), [](unsigned char c) { return !std::isdigit(c); }), s.end()); // 结果是 13812345678注意lambda参数用了unsigned char这是标准要求——std::isdigit接收的int参数必须是unsigned char或者EOF直接传char在有些平台上会因为符号扩展而行为异常。实测下来用remove_if处理100万条20字符左右的脏手机号耗时不到1秒比手写循环快了近10倍。所以我的结论是C里删除字符优先用算法库别自己造轮子。2.2 Java中删除字符replace/replaceAll/StringBuilderJava的String是不可变的所以没有erase这种原位删除方法。最直接的是replaceString s 138-1234-5678; String cleaned s.replace(-, ).replace( , );如果要把所有非数字都删掉可以用正则replaceAllString s 138-1234-5678 张总; String cleaned s.replaceAll([^0-9], ); // 删除所有非数字字符这里[^0-9]是正则表达式含义是“匹配任意不是数字的单个字符”。replaceAll的性能比replace差一些因为要编译正则但在数据量不大时无所谓。如果你需要在指定位置删除一个字符比如删除下标5的字符可以用StringBuilderStringBuilder sb new StringBuilder(13812345678); sb.deleteCharAt(5); String result sb.toString();StringBuilder是可变对象deleteCharAt会把后面的字符往前挪。注意如果只是删除单个字符用StringBuilder比用substring拼接更高效因为后者会创建多个中间字符串。2.3 删除与“变成回文串”经典算法题的思路与实现热搜词里有一个“java删除一个字符变成回文串”这是LeetCode 680的原题很多面试官爱考。它的本质和前面删除字符的需求很像但多了一个“校验回文”的维度。题目是给定一个字符串最多删除一个字符判断能否让它成为回文串。我第一次做这题时直接枚举所有可能的删除位置结果超时了。正确思路是双指针贪心两个指针left和right从两端向中间移动。如果两边的字符相等继续移动。如果不等那就要么删除left处的字符要么删除right处的字符。分别检查这两种情况下的剩余子串是否是回文。只要有一种情况成立就满足题意。Java实现public boolean validPalindrome(String s) { int left 0, right s.length() - 1; while (left right) { if (s.charAt(left) ! s.charAt(right)) { return isPalindrome(s, left 1, right) || isPalindrome(s, left, right - 1); } left; right--; } return true; } private boolean isPalindrome(String s, int left, int right) { while (left right) { if (s.charAt(left) ! s.charAt(right)) { return false; } left; right--; } return true; }这个解法的时间复杂度是O(n)空间O(1)。为什么是“贪心”因为当左右字符不相等时你只需要尝试删除其中一边——删除更远的字符没有意义所以只需要检查两个分支。这个思路也可以迁移到C版本核心逻辑完全一样。它给我们的启发是删除字符不一定是“批量清洗”有时是“为了满足某个条件做最小删除”这时候双指针往往比动态规划更高效。2.4 小心MySQL中char/varchar存储字符串时的“删除字符”误区热搜词里还有一条“mysql中字符类型的字段空值和存过字符又把字符全删除这两种情况下实际存储”。这句话读起来绕但说的是一个真实存在的坑。假设有张表CREATE TABLE user_phone ( id INT PRIMARY KEY, phone_char CHAR(11), phone_varchar VARCHAR(11) );接着执行INSERT INTO user_phone (id, phone_char, phone_varchar) VALUES (1, NULL, ); INSERT INTO user_phone (id, phone_char, phone_varchar) VALUES (2, 13800138000, 13800138000); UPDATE user_phone SET phone_char , phone_varchar WHERE id 2;你猜第二条UPDATE之后phone_char实际存的是什么答案是CHAR(11)会把不足长度的值用空格补齐到11字节所以phone_char字段实际存储的是11个空格只不过MySQL在查询时会自动去掉尾部空格于是SELECT phone_char返回的结果是。而VARCHAR(11)不会补齐实际存储的是一个零长度字符串。这就带来三个容易踩的坑WHERE phone_char 和WHERE phone_char IS NULL查出来的集合完全不同。NULL是“没有值”空字符串是“有值但长度为0”。对CHAR字段做LENGTH(phone_char)在某些情况下会返回补齐后的存储长度比如LENGTH(phone_char)可能返回11因为LENGTH返回的是字节数而尾部空格在存储层是存在的。不过MySQL对CHAR的尾部空格处理分版本和比较规则更稳妥的做法是先用TRIM。如果业务上“存过字符再把字符全删除”比如原来存了abc后来更新为CHAR字段依然占用固定长度VARCHAR只占用1字节长度标记。对于频繁更新的场景如果没搞清楚这两者的存储差异很容易出现“数据明明删了但磁盘空间没变”的困惑。我的建议是对于手机号这种长度固定的数据优先用CHAR(11)对于长度可变的备注类数据用VARCHAR。但无论哪种判断“是否为空”时一定要区分IS NULL和 避免逻辑混乱。3. 手机短号的提取与转换不是简单substring3.1 手机短号是什么常见定义“短号”在不同业务场景里有不同含义最常见的是手机号后四位用于身份标识或客服快速核对。有些企业内部会把集团短号定义为6位数字比如“10086”这种模拟号。运营商也有自己的短号体系比如亲情号、集团V网短号通常是以特定数字开头的6位号码。我们这次需求里运营明确说了“短号就是手机号后四位”。所以提取逻辑就是清洗后取最后4个字符。但难点在于怎么确保清洗后的字符串确实是11位手机号如果遇到座机号、400电话、或者号码中间混入字母直接substring就会产生脏数据。3.2 从脏数据中提取手机短号的完整流程我实现的流程分三步删除所有非数字字符。如果结果长度等于11且第一位是1认定为手机号截取后四位。如果长度不是11标记为异常行输出到日志不参与统计。C实现std::string extractShortNumber(const std::string raw) { std::string cleaned raw; cleaned.erase(std::remove_if(cleaned.begin(), cleaned.end(), [](unsigned char c) { return !std::isdigit(c); }), cleaned.end()); if (cleaned.size() 11 cleaned[0] 1) { return cleaned.substr(7, 4); // 后四位 } return ; // 非法号码 }Java实现public static String extractShortNumber(String raw) { String cleaned raw.replaceAll([^0-9], ); if (cleaned.length() 11 cleaned.startsWith(1)) { return cleaned.substring(7); } return ; }这里为什么用substring(7, 4)而不是substr(7)其实substr(7, 4)和substr(7)的效果一样因为字符串长度是11从下标7开始截取4个字符正好是最后四位。我习惯写满长度方便别人理解7是倒数第4个字符的下标0索引4是短号长度。3.3 脱敏与展示如何保留完整号同时隐藏关键位短号提取完之后运营还想在表格里展示脱敏手机号比如138****5678。这个需求本质也是字符串操作public static String maskPhone(String phone) { if (phone.length() ! 11) return phone; return phone.substring(0, 3) **** phone.substring(7); }C的话可以用replace或者手动拼接std::string maskPhone(const std::string phone) { if (phone.size() ! 11) return phone; return phone.substr(0, 3) **** phone.substr(7); }注意脱敏和短号提取是两个不同的输出脱敏是给运营看的短号是给系统匹配用的。千万别把脱敏后的结果直接入库否则后续没法做精确查询。3.4 边界情况非11位号码、座机、虚拟运营商实际数据里什么样的都有我统计了这次遇到的异常情况原始数据清洗后判断处理方式138-1234-567813812345678合法手机号提取后四位5678139 1234 5678 张总13912345678合法手机号提取后四位567886138001380008613800138000长度13不是手机号日志记录异常021-1234567802112345678长度10不是手机号日志记录异常1501234567a1501234567长度10不是手机号日志记录异常1921234123419212341234长度11但第二位不是3-9且号码段可能未开放按业务规则决定是否接受很多同学容易忽略手机号第二位校验。虽然现在号段越来越多19x、16x都出现了但至少第一位必须是1第二位目前是3-9区间更严格的校验可以维护一个号段白名单。小规模数据可以简单判断cleaned[0] 1大规模系统建议用正则^1[3-9]\\d{9}$。4. 字符串统计从字符频次到分布洞察4.1 数组计数 vs 哈希表计数不同场景选型统计字符串里每个字符的出现次数最朴素的想法是用HashMapCharacter, Integer遍历一次map.put(c, map.getOrDefault(c, 0) 1)。这在字符种类多比如统计一篇文章的字母频次时没问题但性能开销比较大——每次操作都要做哈希计算。如果统计范围明确是数字0到9用固定长度数组是更优的选择。原因很简单数组下标就是数字本身count[digit]直接定位时间复杂度O(1)没有哈希冲突。数字只有10个数组长度10内存占用极小。遍历完字符串后数组天然按0-9排好序省去了排序步骤。如果统计对象是Unicode字符再回到HashMap。说白了先看字符集大小再决定用数组还是哈希表。4.2 实现“统计每个数字出现次数”的代码C版本#include array #include string std::arrayint, 10 countDigits(const std::string s) { std::arrayint, 10 count{}; for (char c : s) { if (c 0 c 9) { count[c - 0]; } } return count; }Java版本public static int[] countDigits(String s) { int[] count new int[10]; for (char c : s.toCharArray()) { if (c 0 c 9) { count[c - 0]; } } return count; }这里c - 0是关键操作。字符0的ASCII码是489是57所以9 - 0 9正好对应数组下标9。这个隐式转换在C和Java里都有效。4.3 性能与内存实测处理100万条手机号的耗时我用C实测了一下生成100万条11位手机号拼成一个大字符串约1100万字符然后统计0-9出现次数。优化编译-O2后单线程耗时大约120毫秒。如果换用unordered_mapchar, int耗时飙升到850毫秒左右差距挺大。Java方面用int[]统计100万条手机号JVM预热后大约150毫秒用HashMapCharacter, Integer则要400毫秒左右。如果是在Android或者服务端高频调用这点差距会被放大所以能用数组就别用哈希表。内存上看int[10]固定40字节HashMap至少几十个条目而且每个Character和Integer都要装箱GC压力也大。所以不管从时间还是空间数组都是数字频次统计的最优解。4.4 统计结果的可视化输出统计完不能只写在代码里运营要看图。我直接在控制台输出一个简单的直方图0: 108234 ▏ 1: 121478 ████ ...C实现void printHistogram(const std::arrayint, 10 count) { int max_count 0; for (int i 0; i 10; i) { max_count std::max(max_count, count[i]); } for (int i 0; i 10; i) { int bar_len static_castint(count[i] * 40.0 / max_count); std::cout i : count[i] ; for (int j 0; j bar_len; j) { std::cout █; } std::cout \n; } }如果你不想用特殊字符可以换成#或者|。直方图表能直观看出数字分布是否均匀比如有些号段特定的数字频率异常高可能说明数据源有偏差。5. 实操过程与问题排查实录5.1 完整代码示例一个命令行小工具我把上面的逻辑整合成一个简单的C命令行工具输入文件每行一个原始字符串输出清洗后的手机号、短号、数字频次和直方图。下面是核心代码结构#include iostream #include fstream #include string #include vector #include algorithm #include array #include cctype bool isValidPhone(const std::string p) { return p.size() 11 p[0] 1; } std::string cleanNumber(const std::string raw) { std::string cleaned raw; cleaned.erase(std::remove_if(cleaned.begin(), cleaned.end(), [](unsigned char c) { return !std::isdigit(c); }), cleaned.end()); return cleaned; } int main(int argc, char* argv[]) { if (argc ! 2) { std::cerr Usage: argv[0] input.txt std::endl; return 1; } std::ifstream fin(argv[1]); if (!fin) { std::cerr Cannot open file! std::endl; return 1; } std::string line; std::arrayint, 10 digit_count{}; std::vectorstd::string short_numbers; while (std::getline(fin, line)) { std::string cleaned cleanNumber(line); if (isValidPhone(cleaned)) { std::string short_num cleaned.substr(7, 4); short_numbers.push_back(short_num); for (char c : cleaned) { digit_count[c - 0]; } } else { std::cerr Invalid: line - cleaned std::endl; } } std::cout Valid phones: short_numbers.size() \n; std::cout Distribution:\n; for (int i 0; i 10; i) { std::cout i : digit_count[i] \n; } return 0; }编译命令g -O2 -stdc11 clean_phone.cpp -o clean_phone ./clean_phone phones.txt如果你是Java党逻辑类似用BufferedReader逐行读取replaceAll清洗substring(7)取短号int[10]统计。代码就不全部贴了核心方法上面都有。5.2 踩坑记录迭代器失效、正则贪婪匹配、MySQL存储长度这次实踩的坑不少列几个最典型的。第一个是C迭代器失效。我最初想用for (auto it s.begin(); it ! s.end(); it)边遍历边删除结果erase之后it失效程序直接崩。后来改成remove_if统一处理问题解决。记住一个原则不要在遍历时修改容器结构除非你能精确管理迭代器。第二个是正则表达式写错。Java里最初写的是replaceAll(\\D, )效果是把所有非数字替换成空字符串没问题。但有次我写成了replaceAll(\\d, )结果把所有数字删光留下横线和空格正好反了。\D和\d只差一个大小写意思天差地别一定要看清楚。第三个是MySQL里发现查出来的空字符串不是NULL。之前有个统计语句SELECT COUNT(*) FROM user_phone WHERE phone_char ;结果和WHERE phone_char IS NULL的结果完全不一样。原因就是2.4里说的CHAR字段存储尾部空格匹配的是空字符串IS NULL匹配的是NULL两者不是一回事。5.3 常见问题速查表问题可能原因解决方案Cremove后字符串长度没变remove只是把目标字符移到末尾没有真正删除必须搭配erase使用Cerase导致程序崩溃迭代器失效改用remove_if或手动处理i--JavareplaceAll(\\d, )删光了所有数字正则语义搞反\d是数字\D是非数字MySQLCHAR字段“删不干净”CHAR补空格存储确认类型必要时用TRIM优先用VARCHARMySQL空字符串判断不准与NULL混淆按业务明确使用 或IS NULL手机号短号提取出“1234”但原始数据是座机未校验长度先清洗再判断11位统计结果出现负数或非法数字遍历了不可见字符isdigit前先转unsigned char高频统计性能差用了HashMap数字范围固定时改用int[]5.4 扩展把统计结果输出到MySQL时的编码/字符集坑这次最后还生成了一个统计报表需要写入MySQL。结果又踩了一小坑报表里有一列是“号码归属地备注”包含中文写入时出现乱码。查了之后发现是连接字符集没设置。解决方案有两种。一是在JDBC连接串里加上参数jdbc:mysql://localhost:3306/test?useUnicodetruecharacterEncodingutf8二是在建表时指定CREATE TABLE phone_stat ( digit INT PRIMARY KEY, cnt INT, note VARCHAR(50) CHARACTER SET utf8mb4 ) DEFAULT CHARSETutf8mb4;一定要用utf8mb4而不是utf8因为utf8mb4是真正的四字节UTF-8能存表情和生僻字。utf8在MySQL里是utf8mb3的别名长度不够。这和字符串处理也有关系——如果你统计的字符是中文或者emoji在处理时也要注意编码长度一个字符可能占多个字节直接用size()可能得到字节数而不是字符数。6. 总结一下我在这次实操中的体会做完这个需求我自己有个很深的感触字符串处理看起来是基本功但真正优化起来每个环节都有值得深挖的点。删除字符不是简单调API你得考虑性能、迭代器安全、语言特性提取短号不是无脑substring你要先构建数据校验的思维统计频次不是只有HashMap一条路固定范围用数组能快出一个量级。另外把所有技术点串起来的项目比单独练习任何一个知识点都更容易暴露问题。比如这次如果我只写一个“统计字符串里数字出现次数”的函数就不会去考虑MySQL的CHAR存储细节也不会去研究“删除一个字符变成回文串”的算法。但当你面对真实数据时这些坑会一个接一个冒出来。从某种角度看这种“被迫踩坑”反而是成长最快的方式。最后再分享一个小技巧在做任何批量字符串处理前先抽样50条数据看一眼。很多异常不需要写代码才能发现人工扫一眼就能发现规律比如“有的号码前面有86”“有的号码后面有括号备注”。提前把这些规则写进清洗逻辑后面能省一半调试时间。我自己这次就是先做了数据探查才避免了把8613800138000这种带国家码的号码也算成合法手机号的乌龙。希望这篇记录对你也有帮助。