为什么 LF 和 CRLF 与 /^\s*$/gm 正则表达式的行为不同?

Why does LF and CRLF behave differently with /^\s*$/gm regex?

我在 Windows 上看到过这个问题。当我尝试清除 Unix 上每一行的任何空格时:

const input =
`===

HELLO

WOLRD

===`
console.log(input.replace(/^\s+$/gm, ''))

这产生了我所期望的结果:

===

HELLO

WOLRD

===

即如果空行上有 个空格,它们就会被删除。 另一方面,在 Windows 上,正则表达式清除了整个字符串。举例说明:

const input =
`===

HELLO

WOLRD

===`.replace(/\r?\n/g, '\r\n')
console.log(input.replace(/^\s+$/gm, ''))

(模板文字在 JS 中总是只打印 \n,所以我不得不用 \r\n 替换来模拟 Windows(?\r 之后只是为了那些不相信的人。结果:

===
HELLO
WOLRD
===

整行没了!但是我的正则表达式有 ^$ 并且设置了 m 标志,所以它有点像 /^-to-$/m\r\r\n 之间的区别是什么导致它产生不同的结果?

当我做一些记录时

console.log(input.replace(/^\s*$/gm, (m) => {
  console.log('matched')
  return ''
}))

有了\r\n我看到了

matched
matched
matched
matched
matched
matched
===
HELLO
WOLRD
===

并且只有 \n

matched
matched
matched
===

HELLO

WOLRD

===

TL;DR 包含空格 换行符的模式也将匹配 \r\n 序列的字符部分,如果你让它吧。

首先,让我们实际检查一下替换时有哪些字符,哪些字符没有。以仅使用换行符的字符串开头:

const inputLF =
`===

HELLO

WOLRD

===`.replace(/\r?\n/g, "\n");

console.log('------------ INPUT ')
console.log(inputLF);
console.log('------------')

debugPrint(inputLF, 2);
debugPrint(inputLF, 3);
debugPrint(inputLF, 4);
debugPrint(inputLF, 5);

const replaceLF = inputLF.replace(/^\s+$/gm, '');

console.log('------------ REPLACEMENT')
console.log(replaceLF);
console.log('------------')

debugPrint(replaceLF, 2);
debugPrint(replaceLF, 3);
debugPrint(replaceLF, 4);
debugPrint(replaceLF, 5);

console.log(`charcode ${replaceLF.charCodeAt(2)} : ${replaceLF.charAt(2)}`);
console.log(`charcode ${replaceLF.charCodeAt(3)} : ${replaceLF.charAt(3)}`);
console.log(`charcode ${replaceLF.charCodeAt(4)} : ${replaceLF.charAt(4)}`);
console.log(`charcode ${replaceLF.charCodeAt(5)} : ${replaceLF.charAt(5)}`);

console.log('------------')
console.log('inputLF === replaceLF :', inputLF === replaceLF)

function debugPrint(str, charIndex) {
  console.log(`index: ${charIndex}
   charcode: ${str.charCodeAt(charIndex)}
   character: ${str.charAt(charIndex)}`
 );
}

每一行都以字符代码 10 结尾,这是换行 (LF) 字符,用 \n 表示在字符串文字中。替换前后,两个字符串是相同的——不仅看起来相同,而且实际上彼此相等,所以替换什么也没做。

现在让我们检查另一种情况:

const inputCRLF =
`===

HELLO

WOLRD

===`.replace(/\r?\n/g, "\r\n")
console.log('------------ INPUT ')
console.log(inputCRLF);
console.log('------------')

debugPrint(inputCRLF, 2);
debugPrint(inputCRLF, 3);
debugPrint(inputCRLF, 4);
debugPrint(inputCRLF, 5);
debugPrint(inputCRLF, 6);
debugPrint(inputCRLF, 7);

const replaceCRLF = inputCRLF.replace(/^\s+$/gm, '');;

console.log('------------ REPLACEMENT')
console.log(replaceCRLF);
console.log('------------')

debugPrint(replaceCRLF, 2);
debugPrint(replaceCRLF, 3);
debugPrint(replaceCRLF, 4);
debugPrint(replaceCRLF, 5);

function debugPrint(str, charIndex) {
  console.log(`index: ${charIndex}
   charcode: ${str.charCodeAt(charIndex)}
   character: ${str.charAt(charIndex)}`
 );
}

这次每行都以字符代码 13 结尾,它是 Carriage Return (CR) 字符,用 \rthen[=122 表示在字符串文字中=] LF 紧随其后。替换后,不再是 =\r\n\r\nH 的序列,而不仅仅是 =\r\nH。让我们看看为什么。

Here is what MDN says关于元字符^:

Matches the beginning of input. If the multiline flag is set to true, also matches immediately after a line break character.

这是 MDN 关于元字符的说法 $

Matches the end of input. If the multiline flag is set to true, also matches immediately before a line break character.

所以它们匹配 afterbefore 一个换行符。其中,MDN 表示 LF CR。如果我们测试包含不同换行符的字符串,可以看出这一点:

const stringLF = "hello\nworld";
const stringCRLF = "hello\r\nworld";

const regexStart = /^\s/m;
const regexEnd = /\s$/m;

console.log(regexStart.exec(stringLF));
console.log(regexStart.exec(stringCRLF));

console.log(regexEnd.exec(stringLF));
console.log(regexEnd.exec(stringCRLF));

如果我们尝试匹配换行符附近的空格,如果有 LF,这不会匹配任何内容,但它 会匹配 CR 和 CRLF。所以,在那种情况下 $ 会匹配这里:

"hello\r\nworld"
        ^^ what `^\s` matches

"hello\r\nworld"
      ^^ what `\s$` matches

因此 ^$ 都将 CRLF 序列中的任何一个识别为行尾。当您进行搜索和替换时,这将有所不同。由于您的正则表达式指定了 ^\s+$,这意味着当您有一行完全是 \r\n 时,那么 它匹配 。但出于一个不明显的原因:

const re = /^\s+$/m;

const sringLF = "hello\n\nworld";
const stringCRLF = "hello\r\n\r\nworld";


console.log(re.exec(sringLF));
console.log(re.exec(stringCRLF));

因此,正则表达式不匹配 \r\n,而是匹配其他两个换行符之间的 \n\r(两个空白字符)。那是因为 + 很急切,会尽可能多地消耗字符序列。这是正则表达式引擎将尝试的。为简洁起见进行了一些简化:

input = "hello\r\n\r\nworld
regex = /^\s+$/

Step 1
hello[\r]\n\r\nworld
    matches `^`, symbol satisfied -> continue with next symbol in regex

Step 2
hello[\r\n]\r\nworld
    matches `^\s+` -> continue matching to satisfy `+` quantifier

Step 3
hello[\r\n\r]\nworld
    matches `^\s+` -> continue matching to satisfy `+` quantifier

Step 4
hello[\r\n\r\n]world
    matches `^\s+` -> continue matching to satisfy `+` quantifier

Step 5
hello[\r\n\r\nw]orld
    does not match `\s` -> backtrack

Step 6
hello[\r\n\r\n]world
    matches `^\s+`, quantifier satisfied -> continue to next symbol in regex

Step 7
hello[\r\n\r\nw]orld
    does not match `$` in `^\s+$` -> backtrack

Step 8
hello[\r\n\r\n]world
    matches `^\s+$`, last symbol satisfied -> finish

最后,这里隐藏了一些东西 - 匹配空格很重要。这是因为它与大多数其他符号的行为不同,因为它明确匹配换行符,而 . will not:

Matches any single character except line terminators

因此,如果您指定 \s$,此 匹配 \r\n 中的 CR,因为正则表达式引擎被迫为两者寻找匹配项 \s$,因此它会在 \n 之前找到 \r。但是,对于许多其他模式,这不会发生,因为 $ 通常会在 before CR(或字符串末尾)时得到满足。

^\s 相同,它会在 之后明确查找空白字符 一个换行符,该换行符满足 CRLF 中的 LF,但是如果您不寻找那个, 那么它会在 LF:

之后愉快地匹配

const stringLF = "hello\nworld";
const stringCRLF = "hello\r\nworld";

const regexStartAll = /^./mg;
const regexEndAll = /.$/gm;

console.log(stringLF.match(regexStartAll));
console.log(stringCRLF.match(regexStartAll));

console.log(stringLF.match(regexEndAll));
console.log(stringCRLF.match(regexEndAll));

因此,所有这些都意味着 ^\s+$ 有一些不直观的行为,但一旦您了解正则表达式引擎 完全匹配 您告诉它的内容就完全一致。