正则表达式在csv中找到缺少的双引号

Question

我们正在处理包含带有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从文件中删除它们。

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，然后再尝试关闭令牌然后爆炸，因为在“结束”双引号之后有非空格字符下一个逗号。

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，不开心

示例第3行，一些数据，“好行”，在此之前死亡，不开心

我想做的事情如下：

.*,"[^(",)]*[\r\n]

我们的想法是在行结束之前找到一行后跟“没有实例”的任何内容。

但序列的否定并不奏效。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条目可能包含一个独立的双引号（例如......，“Measurement：1'2”“，...） 。

Answer 1

您可以使用：

int count = str.length() - str.replaceAll("\\"","").length();

if (count % 2 == 0) {
    // do what you want
}

Answer 2

根据您当前的要求（包括您对"Measurement: 1' 2""的关注，这将选择坏线：

^.*(?:^|,)[^",]*"(?:[^",]*(?:"[^",]*")?)+(?:$|,.*)

1. ^锚定在弦乐的顶部
2. .*(?:^|,)会占用字符串顶部的任何字符或逗号
3. 我们匹配“......
4. 并且，一次或多次，[^",]*(?:"[^",]*")?匹配既不是“或逗号”的字符，也可以是一组平衡的引号："[^",]*"
5. 我们要么匹配字符串的结尾，要么匹配逗号和后面的任何内容

关于转义双引号的说明

在你的输入中，你可能有包含转义双引号的双引号字符串，如下所示："abc\"de"如果是这样的话，我们需要将双引号字符串(?:"[^",]*")的表达式替换为更实用的字符：(?:"(?:\\"|[^"])*")

因此整个正则表达式将成为：

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

Answer 3

这样的事情应该有效：

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

您看到的[^"]*遍布整个地方意味着“任意数量的非引号字符”。 ("[^"]*"[^"]*)*将匹配成对的引号，而[^"]*s将匹配最终引号之前和之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。

正在行动的正则表达式的Here's an example。

---

如果您正在使用的任何解决方案都有选项，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。

Answer 4

这是一个正则表达式，其他人给了我框架，最终使用了一些修改：

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

Answer 5

由于存在许多边缘情况，正则表达式并不能真正可靠地工作。您应该尝试使用univocity-parsers，因为它是我所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，则累积引号字符并继续将值解析为引用值，直到找到结束引号。
• STOP_AT_DELIMITER - 如果在输入中找到未转义的引号，请将该值视为未加引号的值。这将使解析器累积所有字符，直到在输入中找到分隔符或行结尾。
• SKIP_VALUE - 如果在输入中找到未转义的引号，则解析内容直到找到下一个分隔符，一切都将生成null。
• RAISE_ERROR - 如果在输入中找到未转义的引号，则抛出异常

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));
}

希望能帮助到你。默认情况下，它使用STOP_AT_DELIMITER设置运行。

免责声明：我是这个图书馆的作者。它是开源和免费的（Apache 2.0许可证）