为什么 'hallo\nworld' 可以同时匹配 R 中的 \n 和 \\n？

Question

为什么grep 对待\n 和\\n 的方式相同？

例如，两者都匹配hallo\nworld。

grep("hallo\nworld", pattern="\n")
[1] 1
grep("hallo\nworld", pattern="\\n")
[1] 1

我看到hallo\nworld被解析成

hallo  
world

也就是说，hallo 在一行上，world 在一行上。

那么在grep("hallo\nworld", pattern="\n") 中，pattern="\n" 是换行还是字面意义上的\n？

另请注意，其他人也会发生这种情况； \a \f \n \t \r 和 \\a \\f \\n \\t \\r 都被同等对待。但是\d\w\s不能用！为什么不呢？

我选择了不同的字符串进行测试，发现了正则表达式概念中的秘密。

转义有两种概念，一种是字符串转义，简单易懂；另一种是在正则模式表达式字符串中转义。在 R 中，grep(x, pattern=" some string here ")、\\n=\n= 等模式是换行符。但在普通字符串中，\\n!=\n，前者字面意思是\n，后者是换行符。我们可以通过以下方式证明这一点：

cat("\n")

cat("\\n")
\n> 

如何证明这一点？我会尝试使用其他字符，而不仅仅是 \n，看看它们是否以相同的方式匹配。

special1 <- c( "\a", "\f", "\n", "\t", "\r")
special2 <- c("\\a","\\f","\\n","\\t","\\r")
target <- paste("hallo", special1, "world", sep="")
for (i in 1:5){
    cat("i=", i, "\n")
    if( grep(target[i], pattern=special1[i]) == 1)
        print(paste(target[i], "match", special1[i], "succeed"))
    if( grep(target[i], pattern=special2[i]) == 1)
        print(paste(target[i], "match", special2[i], "succeed"))
}

输出：

i= 1   
[1] "hallo\aworld match \a succeed"  
[1] "hallo\aworld match `\\a` succeed"  
i= 2   
[1] "hallo\fworld match \f succeed"  
[1] "hallo\fworld match `\\f` succeed"  
i= 3   
[1] "hallo\nworld match \n succeed"  
[1] "hallo\nworld match `\\n` succeed"  
i= 4   
[1] "hallo\tworld match \t succeed"  
[1] "hallo\tworld match `\\t` succeed"  
i= 5   
[1] "hallo\rworld match \r succeed"  
[1] "hallo\rworld match `\\r` succeed" 

请注意，\a \f \n \t \r 和 \\a \\f \\n \\t \\r 在 R 正则表达式字符串中的处理方式相同>

不仅如此，你不能在R正则表达式模式中写\d\w\s！
您可以编写以下任何一种：

pattern="\a" "pattern=\f" "pattern=\n" "pattern=\t" "pattern=\r"

但你不能写任何这些！

pattern="\d" "pattern="\w" "pattern=\s"  in grep.

我认为这也是一个错误，因为 \d \w \s 被不平等对待 \a \f \n \t \r。

Answer 1

\n、\\n 和 \\\n 都匹配的原因是搜索模式的双重评估。我通过运行几个示例观察到这一点：

grep("hello\nworld", pattern="\n")
[1] 1
grep("hello\nworld", pattern="\\n")
[1] 1
> grep("hello\nworld", pattern="\\\n")
[1] 1
> grep("hello\nworld", pattern="\\\\n")
integer(0)
> grep("hello\\nworld", pattern="\\\\n")
[1] 1

记住计算反斜杠转义序列的规则：

• \\ 替换为 \
• \n 被替换为 NEWLINE 字符
• \ + NEWLINE 被替换为 NEWLINE 字符
• （有关详细信息，请参阅?regex 中的文档）

考虑到这一点，如果你评估模式两次，你会得到：

1. \n => NEWLINE => NEWLINE
2. \\n => \n => NEWLINE
3. \\\n => \ + NEWLINE => NEWLINE
4. \\\\n => \\n => \n
5. \\\\\n => \\ + NEWLINE => \ + NEWLINE
6. \\\\\\n => \\\n => \ + NEWLINE
7. \\\\\\\n => \\\ + NEWLINE => \ + NEWLINE
8. \\\\\\\\n => \\\\n => \\n

等等。示例 1-3 都评估为单个 NEWLINE，这就是这些模式将匹配的原因。 （同时，您尝试与模式匹配的字符串只计算一次。）

@Aaron 发布的A discussion on the R mailing list 对双重评估的解释如下：

[评估] 有两个级别，因为反斜杠是转义字符 R 字符串和正则表达式。

请注意，其他语言不会像这样评估模式。以 Python 为例：

import re
>>> re.search(r'\n', 'hello\nworld') is not None
True
>>> re.search(r'\\n', 'hello\nworld') is not None
False

或 Perl：

$ perl -e 'print "hello\nworld" =~ /\n/ || 0, "\n"'
1
$ perl -e 'print "hello\nworld" =~ /\\n/ || 0, "\n"'
0

我们可以继续。所以R 中的双重评估似乎不寻常。为什么以这种方式实施？我认为最终的答案在于R-devel。

致谢

我感谢 @Aaron 的关键 cmets 帮助改​​进了这个答案。

Answer 2

注意反斜杠本身是特殊的，你必须用反斜杠转义反斜杠。

\\n 的意思是“我真的想匹配换行符，而不是文字 \n”

grep("hallo\nworld", pattern = "\\n")
[1] 1

grep("hallo\\nworld", pattern = "\\\\n")
[1] 1

Answer 3

跟进hwnd的回答，看看以下内容：

cat("x\ny")
## x
## y
cat("x\\ny")
## x\ny
grep("hallo\nworld", pattern="[\n]")
## [1] 1
grep("hallo\nworld", pattern="[\\n]")
## integer(0)

所以："\n" 是文字换行符，"\\n" 是反斜杠 + n，grep 将其解释为换行符。这就是为什么在我的第一个示例中找到匹配项（搜索集合{ newline } 中的任何字符），而在我的第二个示例中未找到匹配项（搜索集合{ \ n } 中的任何字符）。

这不是错误，这是完全预期的行为。关于这一点，真的并且绝对确定，你为什么不post R-help 或 R-devel？

Answer 4

这确实是由于lebatsnok提到的“双重转义”。正如 Peter Dalgaard 在 R-help 上所写，“反斜杠是 R 字符串和正则表达式的转义字符。”见https://stat.ethz.ch/pipermail/r-help/2003-August/037524.html。另请参阅?regex 中关于加倍反斜杠的说明，尽管对我来说这不像 Dalgaard 的评论那么清楚。

所以\n 在第一遍中成为换行符，在第二遍中保持不变。

\\n 在第一遍中变成\n (\\->\)，然后在第二遍中变成换行符。

\\\n 变成 \ 后跟第一遍中的换行符，这显然在第二遍中变成了换行符，因为它也匹配。

另外，关于 a、f、n、t 和 r 允许有反斜杠但 d、w 和 s 不允许的问题，请注意，这些是具有特殊含义的特定元字符，如 ?regex 中所述：

当前实现解释 '\a' 为 'BEL', '\e' 为 'ESC', '\f' 为 'FF', '\n' 为 'LF', '\r' 为 'CR' 和 '\t' 作为 'TAB'。

Answer 5

因为字符串hallo\nworld在解析时包含文字文本\n以及line feed字符。

如果你的字符串实际上是：

hallo
world

然后它将仅匹配 \n 而不是 \\n。