Question

我需要解析TSV格式的文件（制表符分隔值）。我使用正则表达式将文件分解为每一行，但我找不到令人满意的解析每一行。现在我来了：

(?<g>("[^"]+")+|[^\t]+)

但是如果该行中的项目具有超过2个连续的双引号，则它不起作用。

以下是文件的格式：每个元素由制表分隔。如果某个项目包含一个标签，则它会被双引号括起来。如果项目包含双引号，则会加倍。但有时一个元素包含4个连续的双引号，上面的正则表达式将元素分成2个不同的。

示例：

item1ok“item”“2”“oK”

被正确解析为2个元素： item1ok 和 项目“2”确定 （修改后）不必要的报价），但是：

item1oK“item”“”“2oK”

被解析为3个元素： item1ok ， item 和 “2ok < / em> （再次修剪后）。

有谁知道如何让正则表达式适合这种情况？或者是否有另一种解决TSV的解决方案？（我在C＃中这样做。）

Answer 1

您可以使用TextFieldParser。这在技术上是一个VB程序集，但您可以通过引用Microsoft.VisualBasic.FileIO程序集在C＃中使用它。

上面链接中的示例甚至显示在制表符分隔文件中使用它。

Answer 2

我建议您查看“Fast CSV Reader”或“FileHelpers library”，而不是尝试构建自己的CSV / TSV文件解析器（或使用String.Split）。

我正在使用第一个，并且非常满意它（它支持任何分隔符，例如逗号，分号，制表符）。

Answer 3

您可以尝试String.Split Method (Char[]) 方法，而不是使用RegEx。

Answer 4

我不知道C＃，但这应该可以解决问题（在python中）

txt = 'item1ok\t"item""2""oK"\titem1oK\t"item""""2oK"\tsomething else'
regex = '''
(?:                    # definition of a field
 "((?:[^"]|"")*)"   # either a double quoted field (allowing consecutive "")
 |                  # or
 ([^"]*)            # any character except a double quote
)                      # end of field
(?:$|\t)               # each field followed by a tab (except the last one)
'''
r = re.compile(regex, re.X)
# now find each match, and replace "" by " and remove trailing \t
# remove also the latest entry in the list (empty string)
columns = [t[0].replace('""', '"') if t[0] != '' else t[1].strip() for t in r.findall(txt)][:-1]
print columns
# prints: ['item1ok', 'item"2"oK', 'item1oK', 'item""2oK', 'something else']

解析TSV文件

4 个答案: