正则表达式拆分CSV

Question

我知道这个(或类似的)已被多次询问,但尝试了许多可能性,我无法找到一个100%正常的正则表达式.

我有一个CSV文件,我试图将它拆分成一个数组,但遇到两个问题:引用逗号和空元素.

CSV看起来像:

123,2.99,AMO024,Title,"Description, more info",,123987564

我试图使用的正则表达式是:

thisLine.split(/,(?=(?:[^\"]*\"[^\"]*\")*(?![^\"]*\"))/)

唯一的问题是在我的输出数组中,第5个元素是123987564,而不是空字符串.

Answer 1

描述

我认为简单地执行匹配并处理所有找到的匹配更容易,而不是使用拆分.

这个表达式将:

• 在逗号分隔上划分示例文本
• 将处理空值
• 将忽略双引号逗号,提供双引号不嵌套
• 修剪返回值的分隔逗号
• 修剪返回值的周围引号

正则表达式: (?:^|,)(?=[^"]|(")?)"?((?(1)[^"]*|[^,"]*))"?(?=,|$)

例

示范文本

123,2.99,AMO024,Title,"Description, more info",,123987564

ASP示例使用非java表达式

Set regEx = New RegExp
regEx.Global = True
regEx.IgnoreCase = True
regEx.MultiLine = True
sourcestring = "your source string"
regEx.Pattern = "(?:^|,)(?=[^""]|("")?)""?((?(1)[^""]*|[^,""]*))""?(?=,|$)"
Set Matches = regEx.Execute(sourcestring)
  For z = 0 to Matches.Count-1
    results = results & "Matches(" & z & ") = " & chr(34) & Server.HTMLEncode(Matches(z)) & chr(34) & chr(13)
    For zz = 0 to Matches(z).SubMatches.Count-1
      results = results & "Matches(" & z & ").SubMatches(" & zz & ") = " & chr(34) & Server.HTMLEncode(Matches(z).SubMatches(zz)) & chr(34) & chr(13)
    next
    results=Left(results,Len(results)-1) & chr(13)
  next
Response.Write "<pre>" & results

使用非java表达式匹配

组0获取整个子字符串,其中包括逗号
组1获取引用(如果已使用)
组2获取的值不包括逗号

[0][0] = 123
[0][1] = 
[0][2] = 123

[1][0] = ,2.99
[1][1] = 
[1][2] = 2.99

[2][0] = ,AMO024
[2][1] = 
[2][2] = AMO024

[3][0] = ,Title
[3][1] = 
[3][2] = Title

[4][0] = ,"Description, more info"
[4][1] = "
[4][2] = Description, more info

[5][0] = ,
[5][1] = 
[5][2] = 

[6][0] = ,123987564
[6][1] = 
[6][2] = 123987564

Answer 2

对此进行了一些研究并提出了这个解决方案:

(?:,|\n|^)("(?:(?:"")*[^"]*)*"|[^",\n]*|(?:\n|$))

试试吧!

该解决方案处理"漂亮"的CSV数据

"a","b",c,"d",e,f,,"g"

0: "a"
1: "b"
2: c
3: "d"
4: e
5: f
6:
7: "g"

和丑陋的事情一样

"""test"" one",test' two,"""test"" 'three'","""test 'four'"""

0: """test"" one"
1: test' two
2: """test"" 'three'"
3: """test 'four'"""

以下是对其工作原理的解释:

(?:,|\n|^)      # all values must start at the beginning of the file,  
                #   the end of the previous line, or at a comma  
(               # single capture group for ease of use; CSV can be either...  
  "             # ...(A) a double quoted string, beginning with a double quote (")  
    (?:         #        character, containing any number (0+) of  
      (?:"")*   #          escaped double quotes (""), or  
      [^"]*     #          non-double quote characters  
    )*          #        in any order and any number of times  
  "             #        and ending with a double quote character  

  |             # ...or (B) a non-quoted value  

  [^",\n]*      # containing any number of characters which are not  
                # double quotes ("), commas (,), or newlines (\n)  

  |             # ...or (C) a single newline or end-of-file character,  
                #           used to capture empty values at the end of  
  (?:\n|$)      #           the file or at the ends of lines  
)

Answer 3

几个月前我为一个项目创建了这个.

 ".+?"|[^"]+?(?=,)|(?<=,)[^"]+

它在C#中工作,当我选择Python和PCRE时,Debuggex很高兴.JavaScript不承认这种形式继续通过？<= ....

对于您的值,它将创建匹配

123
,2.99
,AMO024
,Title
"Description, more info"
,
,123987564

请注意,引号中的任何内容都没有前导逗号,但空值用例需要尝试与前导逗号匹配.完成后,根据需要修剪值.

我使用RegexHero.Net来测试我的正则表达式.

Answer 4

我也需要这个答案,但我找到了答案,虽然提供了信息,但有点难以理解和复制其他语言.这是我为CSV行中的单个列提出的最简单的表达式.我没有分裂.我正在构建一个正则表达式以匹配CSV中的列,因此我不会拆分该行:

("([^"]*)"|[^,]*)(,|$)

这与CSV行中的单个列匹配."([^"]*)"表达式的第一部分是匹配引用的条目,第二部分[^,]*是匹配未引用的条目.然后跟着一个,或一个结束$.

以及随附的debuggex来测试表达式.

https://www.debuggex.com/r/s4z_Qi2gZiyzpAhx

Answer 5

我迟到了,但以下是我使用的正则表达式:

(?:,"|^")(""|[\w\W]*?)(?=",|"$)|(?:,(?!")|^(?!"))([^,]*?)(?=$|,)|(\r\n|\n)

此模式有三个捕获组:

1. 引用单元格的内容
2. 未加引号的单元格的内容
3. 一条新线

此模式处理以下所有内容:

• 正常细胞内容没有任何特殊功能: 一,二,三
• 包含双引号的单元格("被转义为""): 无引号,"a""引用""的东西",结束
• 单元格包含换行符: 一个,两个\nthree,四个
• 具有内部引用的正常单元格内容: 一,二"三,四
• 单元格包含引号,后跟逗号: 一,"两","三","四",五

请参阅使用中的此模式.

如果您正在使用具有命名组和lookbehinds的更强大的正则表达式,我更喜欢以下内容:

(?<quoted>(?<=,"|^")(?:""|[\w\W]*?)*(?=",|"$))|(?<normal>(?<=,(?!")|^(?!"))[^,]*?(?=(?<!")$|(?<!"),))|(?<eol>\r\n|\n)

请参阅使用中的此模式.

编辑

(?:^"|,")(""|[\w\W]*?)(?=",|"$)|(?:^(?!")|,(?!"))([^,]*?)(?=$|,)|(\r\n|\n)

只要您不使用Javascript,这个稍微修改过的模式就会处理第一列为空的行.出于某种原因,Javascript将省略具有此模式的第二列.我无法正确处理这种边缘情况.

Answer 6

我个人尝试了许多 RegEx 表达式，但没有找到适合所有情况的完美表达式。

我认为正则表达式很难正确配置以正确匹配所有情况。尽管很少有人会不喜欢命名空间（我也是他们的一部分），但我提出了一些属于 .Net 框架的内容，并在所有情况下始终为我提供正确的结果（主要是很好地管理每个双引号情况）：

Microsoft.VisualBasic.FileIO.TextFieldParser

在这里找到：StackOverflow

用法示例：

TextReader textReader = new StringReader(simBaseCaseScenario.GetSimStudy().Study.FilesToDeleteWhenComplete);
Microsoft.VisualBasic.FileIO.TextFieldParser textFieldParser = new TextFieldParser(textReader);
textFieldParser.SetDelimiters(new string[] { ";" });
string[] fields = textFieldParser.ReadFields();
foreach (string path in fields)
{
    ...

希望它能有所帮助。