/m 修饰符的 perl 正则表达式意外行为

Question

我想用这个正则表达式从多行字符串中删除前导和尾随空格：

s/^\s*|\s*$//mg

在这个例子中似乎工作得差不多了：

perl -e '$_=" a \n \n b\n"; s/^\s*|\s*$//mg; print "$_\n";'

给出结果：

a
b

（没想到中间有空格的双\n变成了单\n）

但请注意：

perl -e '$_=" a \n\n b\n"; s/^\s*|\s*$//mg; print "$_\n";'

结果：

ab

现在两个 \n 都消失了，多行字符串现在是单行，这不是我想要的。 如果这不是错误，我该如何避免这种行为？

Answer 1

使用-Mre=debug 模块并深入了解细节，我找到了我认为的答案。我删除了前导空格，因为它与问题无关。我删除了除相关部分之外的所有内容。两个正则表达式首先使用 RHS (5:BRANCH) 匹配第二个换行符前面的空格/换行符，然后将指针设置在第二个换行符前面：

案例一：字符串a \n \n b\n

Matching REx "^\s+|\s+$" against "%n b%n"
   4 <a %n > <%n b%n>        |   0| 1:BRANCH(5)
   4 <a %n > <%n b%n>        |   1|  2:MBOL(3)
                             |   1|  failed...
   4 <a %n > <%n b%n>        |   0| 5:BRANCH(9)
   4 <a %n > <%n b%n>        |   1|  6:PLUS(8)
                             |   1|  POSIXD[\s] can match 2 times out of 2147483647...
   6 <a %n %n > <b%n>        |   2|   8:MEOL(9)
                             |   2|   failed...
   5 <a %n %n> < b%n>        |   2|   8:MEOL(9)
                             |   2|   failed...
                             |   1|  failed...
                             |   0| BRANCH failed...
   5 <a %n %n> < b%n>        |   0| 1:BRANCH(5)  <-- HERE!
   5 <a %n %n> < b%n>        |   1|  2:MBOL(3)
   5 <a %n %n> < b%n>        |   1|  3:PLUS(9)
                             |   1|  POSIXD[\s] can match 1 times out of 2147483647...
   6 <a %n %n > <b%n>        |   2|   9:END(0)
Match successful!

在这种情况下，LHS (1:BRANCH) 首先失败，RHS (5:BRANCH) 失败，所以它向前移动 1 步，直到 LHS 匹配的换行符之后，并删除前面的内容它：一个空格。

在换行符和b 前面的空格匹配时，正则表达式中的“指针”向前移动到换行符前面。

%n> < b%n>
^   \s

---

案例2：字符串a \n\n b\n

Matching REx "^\s+|\s+$" against "%n b%n"
   3 <a %n> <%n b%n>         |   0| 1:BRANCH(5) <-- HERE!
   3 <a %n> <%n b%n>         |   1|  2:MBOL(3)
   3 <a %n> <%n b%n>         |   1|  3:PLUS(9)
                             |   1|  POSIXD[\s] can match 2 times out of 2147483647...
   5 <a %n%n > <b%n>         |   2|   9:END(0)
Match successful!

在此字符串中，LHS (1:BRANCH) 中的零宽度断言^ 可以看到字符串左侧的换行符，并允许其匹配。在另一个字符串中，它有一个空格，因此无法匹配。所以 LHS 交流发电机匹配（称为 1:BRANCH），并删除它前面的内容，即换行符和空格 \n 。

不像案例1那样跳过第一次尝试并向前移动1步，它可以直接匹配左侧的换行符，右侧的空格\n ：

%n> <%n b%n>
^   \s\s

TL;DR：在您的第二个字符串中，换行符可以匹配两个换行符之间的行首，因此将它们都删除。在第一个字符串中，它不能像那样匹配，因为那里有一个空格，而是向前移动一步，跳过换行符并使用该换行符来匹配字符串的开头。效果是换行符保留在字符串中。

如何避免这种行为？好吧，问题是你的正则表达式太松了。 \n 可以匹配正则表达式 ^、$ 和 \s 的所有组件，以各种组合方式进行。它也可以匹配在字符串的中间。如果您想安全并获得可预测的结果，请在逐行模式下使用正则表达式，不要将文件转换为单个字符串。那么你就不需要多行匹配了，所有的问题都迎刃而解了。

否则，请避免使用多行修饰符，只需照常删除前导和尾随空格，然后在字符串内部修剪多个带有空格的换行符，例如s/\n\s*\n/\n/g。

本质上，您试图同时做太多事情。让你的正则表达式更严格，并尝试一次做一件事情。

Answer 2

\s 可以匹配换行符，这导致了换行符被移除的问题。

将\s 替换为以下之一：

• [^\S\n]
  匹配既不是非空白字符也不是换行符的字符，即不是换行符的空白字符。
• (?[ \s - \n ])
  目前处于试验阶段，需要use experimental qw( regex_sets );。
• \h
  仅删除水平空白字符。虽然它不匹配换行符，但它也不匹配其他垂直空白字符。^[1]

以下内容详细说明了您的模式是如何匹配的。

---

对于

␠ a ␠ ␊ ␠ ␊ ␠ b ␊
0 1 2 3 4 5 6 7 8 9

模式

/^\s*|\s*$/m

产生以下匹配：

1. 位置 0，长度 1：␠ 与 ^\s* 匹配。
2. 位置 2，长度 3：␠␊␠ 与 \s*$ 匹配。 XXX
3. Pos 5, len 0: 与\s*$ 匹配的空字符串
4. 位置 6，长度 1：␠ 与 ^\s* 匹配。
5. 位置 8，长度 1：␊ 与 \s*$ 匹配。 XXX
6. Pos 9，len 0：与^\s* 匹配的空字符串。

---

对于

␠ a ␠ ␊ ␊ ␠ b ␊
0 1 2 3 4 5 6 7 8

模式

/^\s*|\s*$/m

产生以下匹配：

1. 位置 0，长度 1：␠ 与 ^\s* 匹配。
2. 位置 2，长度 2：␠␊ 与 \s*$ 匹配。 XXX
3. 位置 4，长度 2：␊␠ 与 ^\s* 匹配。 XXX
4. 位置 7，长度 1：␊ 与 \s*$ 匹配。 XXX
5. Pos 8，len 0：与^\s* 匹配的空字符串。

---

脚注：

1. 垂直空格：

   • U+000A 换行
   • U+000B 线制表
   • U+000C 换页
   • U+000D 回车
   • U+0085 下一行
   • U+2028 行分隔符
   • U+2029 段落分隔符