拆行难

# 拆分（文本行）是件难事 来源：https://www.b-list.org/weblog/2026/aug/10/newlines/ 发布于：2026 年 8 月 10 日（https://www.b-list.org/weblog/2026/aug/10/） 分类：Python（https://www.b-list.org/weblog/categories/python/）、Unicode（https://www.b-list.org/weblog/categories/unicode/） 这里有一个看似简单的问题：给定一段多行文本，如何将它拆分开来，并返回一个数组，其元素就是文本的各行？ 希望你的第一反应是使用某种标准库函数，比如 Python `str` 类型的 `splitlines()` 方法。因为事实证明，这个“简单”的问题实际上相当复杂！例如，不久前我读了一篇 William Woodruff 的文章（https://yossarian.net/til/post/python-s-splitlines-does-a-lot-more-than-just-newlines/），其中指出了一个令人惊讶的发现：Python 会将多达十一个不同的 Unicode 码点或码点序列视为换行符。 当时我本打算写一篇关于这个的文章，但有很多其他事情争夺我的时间，直到现在我才终于把它从草稿中翻出来。不过，迟做总比不做好，所以今天我们就来深入探讨一下中断一行文本的多种方式，以及它们是如何被标准化、规范化，最终进入 Python 所使用的集合的。 ## 一开始…… 从前，有一个 ASCII。当然，在 ASCII 之前还有其他东西，与 ASCII 并存的也有，但就今天的讨论而言，我们真的只需要回到 ASCII；如果你想了解物理电传打字机的完整历史，它们如何从打字机演变而来并影响计算用字符集等，我建议你去看看维基百科。在这里，我只会略过并简化其中很多内容，以聚焦于当前的话题。 所以。从前，有一个 ASCII。它最终在计算领域变得极其有影响力和重要，其程度是其他早期字符集无法比拟的。由于它被用于那些以电传打字机（基本上是作为输入/输出设备连接的电子打字机）作为用户界面的计算机，因此包含了一些用于向电传打字机发送命令的控制字符。比如 `LINE FEED`（换行，字节值 `0x0A`）用于将纸张垂直推进到下一行，以及 `CARRIAGE RETURN`（回车，字节值 `0x0D`）用于将打印头/托架重新对齐到该行的水平起点。 它们通常缩写为 `LF` 和 `CR`（或分别用 C 系列语言中的转义序列 `\n` 和 `\r` 表示）。你可能会想，既然物理上推进打字机式设备使其准备好打印下一行需要这两种操作