Lunes, 16 de noviembre de 2026
Portada de las 21:50
Todos los periódicos y la radio, en unoEscrito por IA a partir de Hacker News · Cómo se hace
Hacker News
Programación · serce.me

¿Qué dificultad tiene comprobar si un carácter es un espacio en blanco?

Un desarrollador se topó con el método de Guava que detecta espacios en blanco y se preguntó por qué es tan complejo. El artículo repasa qué cuenta como whitespace en Unicode, cómo discrepan Java, Python y JavaScript, y cómo Guava lo resuelve con una función hash perfecta.

Foto: vía serce.me

Leer el artículo aquíArtículo original (serce.me) 26 comentarios en Hacker News

Escucha la noticia3 min

El autor parte de un método de Guava, la biblioteca de Google para Java, que comprueba si un carácter es un espacio en blanco y es bastante más elaborado que un simple c == ' '. Para entenderlo empieza por definir qué es whitespace: la propiedad White_Space de Unicode recoge 25 caracteres, entre ellos el espacio normal, el tabulador, el salto de línea, el NO-BREAK SPACE (U+00A0), el FIGURE SPACE o el THIN SPACE. Hay casos poco intuitivos: el ZERO WIDTH SPACE (U+200B) no es whitespace, y el OGHAM SPACE MARK (U+1680) puede mostrarse como una línea horizontal visible.

Además, cada runtime tiene su propia definición. Java excluye U+00A0 y otros dos espacios de no separación. Python lo acepta y reconoce 29 caracteres, porque añade, por ejemplo, FILE SEPARATOR (U+001C), que no está en la propiedad de Unicode. JavaScript, con \s, rechaza NEXT LINE (U+0085) pero acepta ZERO WIDTH NO-BREAK SPACE (U+FEFF). A esto se suma que Unicode evoluciona: en la versión 6.3 el MONGOLIAN VOWEL SEPARATOR (U+180E) dejó de ser whitespace y el conjunto pasó de 26 a 25 caracteres, un reto para las bibliotecas que quieren mantener la compatibilidad.

Para hacerlo rápido, Guava usa una función hash perfecta: una tabla de 32 caracteres (los 25 de Unicode más duplicados para rellenar) y un índice calculado como (1682554634 * c) >>> 27, que toma los cinco bits más significativos del producto. Una comparación final con == c confirma que el carácter es el buscado. El autor no sabe cómo se eligió el multiplicador, pero muestra que una búsqueda por fuerza bruta encuentra todos los valores válidos, y señala que el historial de git de Guava revela que antes hubo una versión más simple y otra basada en módulo 79, que implicaba una división.

El autor cierra diciendo que este tipo de textos, que miran bajo el capó de una función tan simple como isWhitespace, son cada vez más raros en un mundo centrado en la IA.

En Hacker News

«How hard is it to check for whitespace?» · puesto 30 · 107 puntos · enviado por theanonymousone

Lo que dicen los comentarios

La conversación gira en torno a lo escurridizo del concepto de espacio en blanco. Hay quien sostiene que depende del contexto de renderizado, y otros comentaristas replican que eso no funciona: un tabulador puede dibujarse con símbolos visibles y el espacio ogham puede verse como una línea. También se discute si un bitmask habría sido más eficiente, a lo que se responde con la historia de Unicode y con el cambio del separador mongol. Algunos preguntan por qué el hash perfecto es más rápido que una regex y se explica que evita ramas y operaciones pesadas. Otro comentario critica la clasificación de Unicode y señala que su evolución está congelada.

  • Sin ramificaciones, sin operaciones pesadas de CPU: solo una multiplicación por una constante, un desplazamiento y una consulta en una tabla pequeña que se cachea enseguida.
    — usrnm, leer el comentario
  • El espacio en blanco depende del contexto. Hay caracteres que Unicode no cuenta como whitespace pero que se ven como tal al mostrarse; la única forma de saberlo con certeza es renderizarlo y ver qué pasa.
    — LoganDark, leer el comentario
  • No creo que se pueda «renderizar y ya» para saber si es whitespace: como dice el artículo, un OGHAM SPACE MARK en una fuente con línea base muestra una línea horizontal visible.
    — eesmith, leer el comentario
  • Eso no funcionaría. Como explica la sección «Nothing is set in stone», en Unicode 6.2 el MONGOLIAN VOWEL SEPARATOR pasó de separador de espacio a carácter de formato.
    — eesmith, leer el comentario
  • Con bitmasks, si hubieran asumido que el bit 5 a cero significa whitespace, habrían ahorrado miles de millones de ciclos de CPU por dispositivo al día. Deberían haber escrito la especificación quienes crecieron con los micros de 8 bits.
    — smallstepforman, leer el comentario

Pregunta sobre esta noticia

Respuestas automáticas a partir de las noticias de El Autómata, sus fuentes y la radio. Pueden contener errores: comprueba los enlaces.

Esta noticia la ha redactado una inteligencia artificial a partir de las fuentes citadas, con el criterio editorial de El Autómata (equilibrio, atribución y solo hechos publicados). Puede contener errores: consulta las fuentes originales. Modelo: claude-sonnet-5.5.