在 Java 中使用 RegEx 解析 CSV 输入

Posted 2023-02-26

【中文标题】在 Java 中使用 RegEx 解析 CSV 输入

【英文标题】：Parsing CSV input with a RegEx in java

【发布时间】：2010-11-29 07:39:03

【问题描述】：

我知道，现在我有两个问题。但我玩得很开心！

我从this advice 开始，不是尝试拆分，而是匹配可接受的字段，然后从那里扩展到这个表达式。

final Pattern pattern = Pattern.compile("\"([^\"]*)\"|(?<=,|^)([^,]*)(?=,|$)");

表达式看起来像这样，没有烦人的转义引号：

"([^"]*)"|(?<=,|^)([^,]*)(?=,|$)

这对我来说效果很好 - 要么匹配“两个引号以及它们之间的任何内容”，要么匹配“行首或逗号与行尾或逗号之间的某个内容”。遍历匹配项可以获得所有字段，即使它们是空的。例如，

the quick, "brown, fox jumps", over, "the",,"lazy dog"

分解成

the quick
"brown, fox jumps"
over
"the"

"lazy dog"

太棒了！现在我想删除引号，所以我添加了前瞻和后瞻非捕获组，就像我为逗号所做的那样。

final Pattern pattern = Pattern.compile("(?<=\")([^\"]*)(?=\")|(?<=,|^)([^,]*)(?=,|$)");

表达式又是：

(?<=")([^"]*)(?=")|(?<=,|^)([^,]*)(?=,|$)

而不是想要的结果

the quick
brown, fox jumps
over
the

lazy dog

现在我得到了这个细分：

the quick
"brown
 fox jumps"
,over,
"the"
,,
"lazy dog"

我错过了什么？

【问题讨论】：

我假设您的文本本身不能包含引号？

谢天谢地没有。那时我只会使用 openCSV 库。

其他用于 Java 的 CSV 库：***.com/questions/101100/csv-api-for-java

【参考方案1】：

运算符优先级。基本上没有。都是从左到右。所以 or (|) 适用于闭引号前瞻和逗号前瞻

试试：

(?:(?<=")([^"]*)(?="))|(?<=,|^)([^,]*)(?=,|$)

【讨论】：

啊，我明白了。所以我应该尝试将引用的东西和逗号的东西组合在一起。不幸的是，将引号内容包含在 (?: ) 中似乎没有任何效果。我也尝试将它添加到逗号内容中，并且只是将它们分组在另一组括号中，但没有任何效果。我将继续寻找正确的语法；如果我在其他人发布之前找到它，我会给你答案。

【参考方案2】：

(?:^|,)\s*(?:(?:(?=")"([^"].*?)")|(?:(?!")(.*?)))(?=,|$)

这应该做你想做的。

解释：

(?:^|,)\s*

模式应该以 , 或字符串开头。另外，忽略开头的所有空格。

向前看，看看其余部分是否以引号开头

(?:(?=")"([^"].*?)")

如果是，则不贪婪地匹配直到下一个引用。

(?:(?!")(.*?))

如果它不以引号开头，则非贪婪匹配直到下一个逗号或字符串结尾。

(?=,|$)

模式应该以逗号或字符串结尾。

【讨论】：

这个解决方案对我有用，而不是选择的答案，谢谢！

如果字符串以双双引号开头呢？例如： ”””，”，，，，””””。 （无点）

【参考方案3】：

当我开始了解我做错了什么时，我也开始了解环顾四周是多么令人费解。我终于意识到我不想要所有匹配的文本，我想要其中的特定组。我最终使用了与我原来的 RegEx 非常相似的东西，只是我没有对结束逗号进行前瞻，我认为这应该更有效率。这是我的最终代码。

package regex.parser;

import java.util.ArrayList;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class CSVParser 

    /*
     * This Pattern will match on either quoted text or text between commas, including
     * whitespace, and accounting for beginning and end of line.
     */
    private final Pattern csvPattern = Pattern.compile("\"([^\"]*)\"|(?<=,|^)([^,]*)(?:,|$)");  
    private ArrayList<String> allMatches = null;    
    private Matcher matcher = null;
    private String match = null;
    private int size;

    public CSVParser()         
        allMatches = new ArrayList<String>();
        matcher = null;
        match = null;
    

    public String[] parse(String csvLine) 
        matcher = csvPattern.matcher(csvLine);
        allMatches.clear();
        String match;
        while (matcher.find()) 
            match = matcher.group(1);
            if (match!=null) 
                allMatches.add(match);
            
            else 
                allMatches.add(matcher.group(2));
            
        

        size = allMatches.size();       
        if (size > 0) 
            return allMatches.toArray(new String[size]);
        
        else 
            return new String[0];
                   
       

    public static void main(String[] args)         
        String lineinput = "the quick,\"brown, fox jumps\",over,\"the\",,\"lazy dog\"";

        CSVParser myCSV = new CSVParser();
        System.out.println("Testing CSVParser with: \n " + lineinput);
        for (String s : myCSV.parse(lineinput)) 
            System.out.println(s);
        
    

【讨论】：

我觉得我应该重申一下，这只是为了我的娱乐，不能保证有效，如果您尝试将转义的分隔符包含在您的某个字段中，肯定不会有效。如果您需要“真实”的东西，请在 sourceforge 或任何地方使用开源 java csv 库。

【参考方案4】：

我知道这不是 OP 想要的，但对于其他读者，可以使用 String.replace 方法之一从 OP 当前正则表达式的结果数组中的每个元素中去除引号。