EOL特殊字符不匹配

Question

我正在尝试在输入字符串中查找每个“a -> b，c，d”模式。 我使用的模式如下：

"^[ \t]*(\\w+)[ \t]*->[ \t]*(\\w+)((?:,[ \t]*\\w+)*)$"

这个模式是一个C#模式，"\t"代表制表符（它是单个转义字面量，由.NET字符串API解释），"\w"代表预定义的正则表达式字面量类，双重转义以被.NET字符串API解释为"\w"，然后由.NET Regex API解释为“WORD CLASS”。

输入为：

a -> b
b -> c
c -> d

该函数是:

private void ParseAndBuildGraph(String input) {
    MatchCollection mc = Regex.Matches(input, "^[ \t]*(\\w+)[ \t]*->[ \t]*(\\w+)((?:,[ \t]*\\w+)*)$", RegexOptions.Multiline);
    foreach (Match m in mc) {
        Debug.WriteLine(m.Value);
    }
}

输出结果为：

c -> d

实际上，“$”特殊字符的行结束有问题。如果我在“$”之前插入“\r”，它就可以工作，但是我认为“$”会匹配任何行终止符（使用多行选项），特别是Windows环境中的\r\n。难道不是这样吗？

- Aurelien Ribon

Answer 1

这也让我感到惊讶。在.NET正则表达式中，$不会匹配行分隔符之前的字符，而是匹配换行符——即字符\n之前的字符。这种行为与Perl的正则表达式风格一致，但在我看来仍然是错误的。根据Unicode标准，$应该在以下任何一个字符之前匹配： \n，\r\n，\r，\x85，\u2028，\u2029，\v或\f ...并且永远不会在\r和\n之间匹配。Java遵守这个规定（除了\v和\f），但.NET出现得比Java晚，其Unicode支持至少与Java一样好，却只识别\n。考虑到Microsoft与该行分隔符密切相关，你会认为他们至少会正确处理\r\n。

请注意，. 遵循相同的规则：它不匹配 \n（除非设置了 Singleline 模式），但是它会匹配 \r。如果你在正则表达式中使用了 .+ 而不是 \w+，你可能没有注意到这个问题；回车符将包含在匹配项中，但是当你打印结果时控制台会忽略它。

编辑：如果您想允许回车符而不将其包含在结果中，可以使用 lookahead 替换锚点：(?=\r?\n。

- Alan Moore

---

谢谢您的回答。确实，这是一个令人惊讶的结论 :) - Aurelien Ribon

想知道是否有一个标志可以设置，使系统像C/C++中的O_BINARY标志一样匹配数据。 - Dave

@Dave：我找不到。 我最终设法找到了有关此问题的提及，他们唯一提供的救济措施是在锚点前加上\r？： http://msdn.microsoft.com/en-us/library/h5181w5w.aspx#End - Alan Moore

也许有点难以置信，尤其是来自于主要操作系统的开发者，要使用\r\n作为换行符，但这绝对是真实的。我的建议解决方法是先将输入字符串中所有的\r去掉。 - Jan Goyvaerts

Answer 2

你是指正则表达式中的 \t 还是 C# 中的 \t？我通常会在正则表达式中使用逐字字符串：

@"^[ \t]*(\w+)[ \t]*->[ \t]*(\w+)(,[ \t]*\w+)*$"

（唯一需要转义的是 "，将其转义为 ""）

- Marc Gravell

---

实际上，\t 指的是制表符。我不想使用 \s 来表示空格字符，因为我不希望用户输入行尾，只允许输入空格和制表符。但是我的问题仍然与简化模式 "^(\w+) -> (\w+)((?:, \w+)*)$" 相同。我已更新原始问题。 - Aurelien Ribon

@Aurélien - 是的，但是如果没有原样字符串字面量，正则表达式根本看不到\t。 - Marc Gravell

@Guvante是对的：正则表达式编译器会将制表符视为字面字符，并进行匹配（我已经测试过了）。而使用你的版本，它会将\t序列视为制表符的转义序列；无论哪种方式都可以正常工作。 - Alan Moore

好的，知道了，谢谢。我曾经想删除它，但这是C# /正则表达式中常见的错误，所以我留下来供后人参考。 - Marc Gravell

@Aurélien：如果你真的需要一个带有制表符的字符串，请使用旧式字面量。但是，为了匹配正则表达式中的制表符，反斜杠-'t'同样有效，就像我之前说的那样。 - Alan Moore

Answer 3

通常在C、C++、C#中，程序中的字符串使用"\n"作为换行符。如果打开了文本模式转换，则"\r\n"仅出现在I/O层。

- Ben Voigt

---

好观点。我总是很惊讶这个问题为什么这么少被提及，我想这也是其中一个原因。但我仍然认为他们不采用Unicode标准是错误的。 - Alan Moore

"\r\n" 是 Microsoft 的行終止符號。例如，Notepad.exe 不認識 "\n" 終止符號，只認識 "\r\n"。對於 Unix 用戶來說，"\n" 是通常的行終止符號；而對於 Mac 用戶來說，則是 "\r"。這真是一團糟糕的混亂！我同意 :-) - Aurelien Ribon

\r\n 是文本文件（在 Windows 中）的行终止符。 \n 是代码中的终止符。I/O 层仅在以“文本模式”打开文件时才在它们之间进行转换。 - Ben Voigt