分割部分引用、逗号分隔的字符串

Question

在 R 中，我在

data.frame

列中有一些格式相当不寻常的字符串，我想用逗号分隔它们（即，该列的每个元素都是用逗号分隔的单个值的字符串；这些字符串来自

postgresql 

查询，但问题更普遍，由于各种原因我无法修复这是

postgresql

查询本身）。包含字符串的数据框

x

如下所示：

> x
                                     v
1                              {'a',b}
2 {"abc, def","the \\"big\\" one",fgh}

（注意：上面引用内容中的双斜杠

\\

只是转义实际字符串中的单个

\

）

如果值本身包含空格、双引号或逗号，则用逗号分隔的值列表中的任何元素都会加上双引号，但如果值不使用这些特殊字符，则不使用双引号。单个值中的文字双引号表示为文字

\"

。这些特征使得用逗号分割值非常困难。

我想拆分这些值，使

{'a',b}

变为

c("'a'","b")

且

{"abc, def","the \\"big\\" one",fgh}

变为

c("abc, def","the \"big\" one","fgh")

。我已经找到了解决这个问题的办法，但它是“丑陋”的大写U，我想知道是否有更好的方法。我的解决方案是：

# Code to create data.frame using postgresql query
con <- DBI::dbConnect(RPostgres::Postgres())
q = "WITH a(v) AS (VALUES(ARRAY['''a''','b']::varchar[]),(ARRAY['abc, def','the \"big\" one','fgh']::varchar[])) SELECT * FROM a"
x <- DBI::dbGetQuery(con,q)

# Split quoted strings avoiding literal quotes within values
xx = gsub("[\\][\"]","%myspecialquote%",x$v) # Protect quoted quotes
y = stringi::stri_extract_all_regex(xx, '(?<=[{"]).*?(?=["}])')
yy = lapply(y,\(.) gsub("%myspecialquote%","\"",.)) # Put back quotes

z = lapply(yy,\(.) .[.!="," & .!=""]) # Remove empty strings and lone commas

# Split what wasn't split already
w = lapply(1:length(z),\(.) { 
  t = ifelse(grepl("\"",x$v[.]),z[.],strsplit(z[[.]],","))[[1]]
  t = lapply(t,\(.) ifelse(grepl("^,",.) | grepl(",$",.),(gsub("^[,]|[,]$","",.) |> strsplit(","))[[1]],.))
  return(t)
})

# Put humpty-dumpty back together again
v=sapply(w,\(.) { 
  if(is.list(.)) 
    . = do.call(c,.)
  return(.)
})

Answer 1

将所有

,
1. 替换为

   ;

   （如果它们未被 

   " 包围） 删除所有
{
2. 和

   }

   。将
\\
3. 替换为

   \

   沿
;

4. 分开
   

   删除尾随
"

library(stringr)
library(magrittr)
library(purrr)

(x <- data.frame(v = c("{'a',b}", 
                       "{\"abc, def\",\"the \\\"big\\\" one\",fgh}")))
#                                      v
# 1                              {'a',b}
# 2 {"abc, def","the \\"big\\" one",fgh}

r <- x$v %>%
  str_replace_all(',(?=(?:[^"]*"[^"]*")*[^"]*$)', ';') %>%
  str_remove_all("[{}]") %>%
  str_replace_all("\\\\", "\\") %>%
  str_split(fixed(";")) %>%
  map(~ str_remove_all(.x, '^"|"$'))

dput(r[[1]])
# c("'a'", "b")
dput(r[[2]])
# c("abc, def", "the \"big\" one", "fgh")

最困难的部分是

regex

:

,
1. ：匹配逗号
(?=
2. ：这是一个积极的前瞻，可确保以下条件为真。
(?:[^"]*"[^"]*")*
3. ：非捕获组 (

   (?:

   )，匹配双引号对（跳过引号内的内容）。
[^"]*$
4. ：确保逗号之后没有不匹配的双引号（即，我们位于任何引用部分之外）。