我们正在处理包含非封闭双引号条目的行的csv文件。这些炸毁了csv解析器,所以我试图整理一个正则表达式来识别这些行,这样我们就可以在尝试处理它们之前将它们从文件中删除。
在下面的示例中,csv解析器到达第2行并包含第3行中第一个双引号之前的所有内容,然后尝试关闭令牌然后因为“关闭”之后有非空白字符而爆炸在下一个逗号之前加双引号。
示例第1行,一些数据,“好行”,处理得很好,很开心
示例第2行,一些数据,“坏线,处理不良,不快乐
示例第3行,一些数据,“好行”,在此之前死亡,不快乐
我正在尝试做类似的事情:
.*,"[^(",)]*[\r\n]
这个想法是在行结束之前找到一行后面跟着“没有实例”的任何内容。
序列的否定不起作用。怎么样这样呢?
注意:
由于人们一直建议基本上检查偶数双引号,因此值得注意的是,单个双引号csv条目可能包含独立双引号(例如......,“Measurement:1'2”“)。 ..)。
答案 0 :(得分:1)
您可以使用:
int count = str.length() - str.replaceAll("\\"","").length();
if (count % 2 == 0) {
// do what you want
}
答案 1 :(得分:1)
根据您当前的要求(包括您对"Measurement: 1' 2""
的关注,这将选择错误的行:
^.*(?:^|,)[^",]*"(?:[^",]*(?:"[^",]*")?)+(?:$|,.*)
^
个锚点.*(?:^|,)
会占用字符串顶部的任何字符或逗号[^",]*(?:"[^",]*")?
一次或多次匹配既不是“或逗号”的字符,也可以匹配一组均衡的引号:"[^",]*"
有关转义双引号的说明
您的输入中可能包含带有转义双引号的双引号字符串,如下所示:"abc\"de"
如果是这样,我们需要将双引号字符串(?:"[^",]*")
的表达式替换为更坚实的东西:(?:"(?:\\"|[^"])*")
因此整个正则表达式将成为:
^.*(?:^|,)[^",]*"(?:[^",]*(?:"(?:\\"|[^"])*")?)+(?:$|,.*)
答案 2 :(得分:0)
这样的事情应该有效:
^[^"]*("[^"]*"[^"]*)*[^"]*$
您在整个地方看到的[^"]*
意味着“任意数量的非引号字符”
("[^"]*"[^"]*)*
将匹配成对的引号,而[^"]*
将匹配最终引号前后的未加引号的文本。
^
和$
锚点确保我们匹配整条线,而不仅仅是它的一部分。
基本上:如果有偶数引号,它将匹配。如果有奇数引号,则会失败。
Here's an example正则表达式在行动。
如果你正在使用的解决方案有选项,那么有一个更简单的方法不涉及正则表达式。只需计算CSV行中双引号的数量即可。如果它很奇怪,该行的引号不匹配。
答案 3 :(得分:0)
这是一个正则表达式,其他人给了我框架,最终得到了一些修改:
这将匹配任何后跟的内容,“在两者之间有或没有空格,最终没有跟随”,(也有潜在的空格),最后以换行结束。
.*,[\s]*"(?!.*"[\s]*,).*\n
答案 4 :(得分:0)
由于很多边缘情况,正则表达式实际上并不能真正可靠地工作。您应该尝试univocity-parsers,因为它是我知道的唯一可以正确处理未转义引号的CSV解析器。
它为您提供以下选项:
STOP_AT_CLOSING_QUOTE-如果在输入中找到未转义的引号,请累积引号字符并继续将值解析为带引号的值,直到找到结束的引号为止。
STOP_AT_DELIMITER-如果在输入中找到未转义的引号,则将该值视为未引用的值。这将使解析器累积所有字符,直到在输入中找到定界符或行尾为止。
SKIP_VALUE-如果在输入中找到未转义的引号,则将解析为的内容,直到找到下一个定界符,一切都会产生null
。
RAISE_ERROR-如果在输入中找到未转义的引号,则会引发异常
像这样使用它:
CsvParserSettings settings = new CsvParserSettings();
settings.setUnescapedQuoteHandling(UnescapedQuoteHandling.STOP_AT_DELIMITER);
CsvParser parser = new CsvParser(settings);
for(String row[] : parser.iterate(input)){
System.out.println(Arrays.toString(row));
}
希望有帮助。默认情况下,它以STOP_AT_DELIMITER
设置运行。
免责声明:我是这个图书馆的作者。它是开源且免费的(Apache 2.0许可证)