为什么在Java 8和Java 9中，正则表达式中的\R表现不同？

Question

以下代码在Java 8和9中都可以编译，但会有不同的行为。

class Simple {
    static String sample = "\nEn un lugar\r\nde la Mancha\nde cuyo nombre\r\nno quiero acordarme";

    public static void main(String args[]){
        String[] chunks = sample.split("\\R\\R");
        for (String chunk: chunks) {
            System.out.println("Chunk : "+chunk);
        }
    }
}

当我使用Java 8运行它时，它会返回：

Chunk : 
En un lugar
de la Mancha
de cuyo nombre
no quiero acordarme

但是当我在Java 9中运行它时，输出结果不同:

Chunk : 
En un lugar
Chunk : de la Mancha
de cuyo nombre
Chunk : no quiero acordarme

为什么？

- Germán Bouzas

---

看起来在Java 8中\R是贪婪的，而在9中则不是。 - user319799

你从 System.getProperty("line.separator") 得到什么字符串？ - Sergey Kalinichenko

@dasblinkenlight：这不会有影响；\R是换行匹配器，它将匹配OP拥有的任何内容。 - Makoto

当发布这种问题时，最好包括JDK版本号，因为有时这些是在点发布中修复的错误，然后人们无法复制等。 - Sled

@doublep 我不确定你是否会称其为贪婪，但是在匹配\R时，不允许回溯并将单个CR LF序列分成两部分，因为如果有LF跟随，则禁止仅匹配CR。另一种表达方式是它不能回溯。Java 8是正确的；据我所知，Java 9现在与tr18不符。 - tchrist

Answer 1

这是Java 8中的一个错误，已经得到修复：JDK-8176029：“Linebreak matcher is not equivalent to the pattern as stated in javadoc”。

另请参见：Java 8正则表达式使用`\R`的负回顾后查找

- user158037

---

对我来说，Java 8的行为看起来更加合理。虽然"\r\n"可以被解释为两个相邻的换行符，但在我看来这没有多大意义。如果你想表示两个换行符，你应该写成"\n\n"或"\r\n\r\n"等，也就是两个相同的换行符。"\r\n"实际上应该只表示一个换行符。 - user319799

有道理！但是Java 8具有我所需的行为。嗯。 - Germán Bouzas

@GermánBouzas：我猜你需要先规范化换行符，例如使用replaceAll("\\R", "\\n")（没有测试过，但我猜回溯变化在这里不会起任何作用）。 - user319799

我非常确定这是一个错误。\R不应该能够回溯; 这有充分的理由。我会看看我能找到什么：您绝不能将CRLF拆分为两个实例或\R。 - tchrist

Answer 2

Java文档与Unicode标准不符。Javadoc错误阐述了\R的匹配方式，它写道：

\R 匹配任何Unicode换行符，等价于 \u000D\u000A|[\u000A\u000B\u000C\u000D\u0085\u2028\u2029]

这份Java文档有缺陷。在《Unicode技术标准#18正则表达式中的R1.6换行符》章节中明确指出：

强烈建议使用一个正则表达式元字符（例如“\R”）来匹配上面列出的所有行尾字符和序列（例如#1中的字符和序列）。这相当于以下表达式的等价形式。该表达式稍微复杂一些，因为需要避免备份。

 (?:\u{D A}|(?!\u{D A})[\u{A}-\u{D}\u{85}\u{2028}\u{2029}]

换句话说，它只能匹配两个码点的CR + LF（回车+换行符）序列，否则只能提供来自该集合的单个码点，前提是它不仅仅是接着一个换行符的回车符。这是因为它不允许后退。对于\ R的正常功能，CRLF必须是原子的。

因此，Java 9不再符合R1.6的强烈建议。此外，它现在正在执行它本应该不执行且在Java 8中未执行的操作。

看起来是时候再次与Sherman（即Xueming Shen）联系了。我曾经与他一起处理过这些正式一致性问题的细节。

- tchrist

---

因此，解决方法是使用(?>\\R)或\\R{1}+代替\\R，或者在OP的特定情况下，使用\\R{2}+代替\\R\\R。有趣的是，在Java 9下，即使是\\R{1}\\R{1}或\\R{2}也可以得到所需的结果，这是不一致的，因为非占用的{n}不应禁用回溯。 - Holger

也许可以通过JDK-8176983来解决这个问题？ - Naman

@nullpointer 有人能告诉我 Java 10 是否已经修复了这个问题吗？看起来 javadoc 仍然有错误的“等效”模式，所以如果不是实现的问题，至少文档是错误的。 - Patrick Parker