使用\ R模式的Java扫描程序使用（缓冲区边界问题）

Question

执行摘要：在Java的\R中使用Scanner（或其他正则表达式模式）是否有任何警告/已知问题（特别是关于内部缓冲区的边界条件）？

细节：由于我想在潜在的多平台输入文件上进行一些多线模式匹配，我使用了\R的模式，根据Pattern javadoc，它是：

任何Unicode换行符序列都等同于\u000D\u000A|[\u000A\u000B\u000C\u000D\u0085\u2028\u2029]

无论如何，我注意到在我的一个测试文件中，应该解析一个十六进制转储块的循环被缩短了。经过一些调试后，我注意到它结束的那一行是Scanner内部缓冲区的结束。

这是我写的一个测试程序来模拟这种情况：

public static void main(String[] args) throws IOException {
    testString(1);
    testString(1022);
}

private static void testString(int prefixLen) {
    String suffix = "b\r\nX";
    String buffer = new String(new char[prefixLen]).replace("\0", "a") + suffix;

    Scanner scanner = new Scanner(buffer);
    String pattern = "b\\R";
    System.out.printf("=================\nTest String (Len=%d): '%s'\n'%s' found with horizon=0 (w/o bound): %s\n", buffer.length(), convertLineEndings(
        buffer), pattern, convertLineEndings(scanner.findWithinHorizon(pattern, 0)));
    System.out.printf("'X' found with horizon=1: %b\n", scanner.findWithinHorizon("X", 1) != null);
    scanner.close();
}

private static String convertLineEndings(String string) {
    return string.replaceAll("\\n", "\\\\n").replaceAll("\\r", "\\\\r");
}

...产生此输出（为格式化/简洁而编辑）：

=================
Test String (Len=5): 'ab\r\nX'
'b\R' found with horizon=0 (w/o bound): b\r\n
'X' found with horizon=1: true
=================
Test String (Len=1026): 'a ... ab\r\nX'
'b\R' found with horizon=0 (w/o bound): b\r
'X' found with horizon=1: false

对我来说，这看起来像一个错误！我认为扫描仪应该与suffix相匹配，模式与输入文本中显示的位置无关（只要prefix不参与模式）。 （我也发现了可能相关的Open JDK Bugs 8176407和8072582，但这是常规的Oracle JDK 8u111）。

但是我可能已经错过了一些关于扫描器或特定\R模式使用的建议（或Open JDK，以及Oracle在这里对相关类有相同的（??）实现？）...因此问题！

Answer 1

两个建议：

我认为你应该以这种方式测试X：

System.out.printf("'X' found with horizon=1: %b\n", 
    scanner.findWithinHorizon("X", prefixLen) != null);

（因为除0之外的任何东西作为水平参数将搜索限制为一定数量的字符。这已经在方法的名称中。视野范围就是方法所见。）

也许你的文件编码有问题。您的扫描仪可能会选择错误的默认编码。尝试沿着这条线：

new Scanner(file, "utf-8");