正则匹配文本文件中的 3 种换行符 (行尾)

讨论

错误示范：

• 错误示范 1：\n —— 不匹配 Windows 行尾（CRLF）；
• 错误示范 2：\r\n|\n —— 不匹配旧式 mac 行尾（CR）；
• 错误示范 3：[\r\n]{1,2} —— 错误匹配“LFCR”；
• 错误示范 4：\r?\n —— 不匹配旧式 mac 行尾（CR）；
• 错误示范 5：\n|\r|\r\n —— CR 和 LF 被拆开，如果存在 CRLF 将匹配出两个子串；
• 错误示范 6：\r\n?|\n —— 这个的 bug 很难发现，问题在于：如果文件中存在 LFCRLF，则 LF 和 CRLF 都被匹配，但这种情况下应该只有 CRLF 才对；
• 错误示范 7：\r\n|\n|\r —— 问题同上。

正确示范：\r?\n|(?<!\n)\r —— 使用零宽断言。

这个正则 永远不会匹配到 LFCR；但也有弱点，即 LFCRLF 会匹配两个子串：LF 和 CRLF；但对于长度不大于 2 的纯 LF、CR 序列，都能够正确匹配。

所以就有了更正确一些的示范：\r\n|(?<!\r\n)\n(?!\r\n)|(?<!\r\n|\n)\r(?!\r\n|\n) —— 看起来很长但思路很简单：

1. 优先匹配 CRLF；
2. 否则，匹配前后都没有 CRLF 的 LF；
3. 否则，匹配前后都没有 CRLF 或 LF 的 CR。
4. 否则，拒绝。

（你也可以调整单独 CR 和单独 LF 的优先级，但 CRLF 的优先级总是最高的）

当存在长度小于等于 3 的纯 LF、CR 构成的序列时，这个正则都能给出正确的匹配，但 LFCRCR 除外，它会匹配两个子串，即 LF 和末尾的 CR；为了解决这个问题就必须进一步增加规则。

我们发现，这样下去是没完没了的……正则表达式的长度取决于你要实现正确匹配的纯 LF、CR 序列的最大长度。

结论

对于不那么极端的情况，\r?\n|(?<!\n)\r 就可以正确匹配了。

抬杠

任何有限长的正则表达式 $R$ 都无法正确匹配任意无限长的序列 $S$ 中可接受的子串 ${\sigma }_R(S)$ ∈ $\Sigma$（$\Sigma$ 是所有可接受的子串集合，且 $card(\Sigma )>1$），使匹配到的子串集合 $card({\Sigma }^{\prime })=1$.