读取写得不好的csv答案

【问题标题】：Read csv that is not well written读取写得不好的csv
【发布时间】：2015-02-20 07:00:00
【问题描述】：

我的 csv 写得不好：

标题是：

"xxx"|"yyy"|"zzz"|"nnn"|"...."

所以我尝试创建一个扫描仪并在管道上拆分：

Scanner scanner   = new Scanner(new File("myCsv.csv"));
int first = 1;
String line;
String row[];
while(scanner.hasNextLine()){
   line = scanner.nextLine();
   row  = line.split("\\|");
   if(first==1){
    first = 0;
    continue;
   }
   ...
}

不幸的是，在 csv 的一列中我发现了一个新行，因此“nextLine”不是获取整行的好方法。

另一个问题是管道存在于列内..类似于：

"field1"|"field|2"|"field3\n"|"..."

所以我认为解析该 csv 的最佳方法是创建一个匹配 ".."|".." 字符串的正则表达式模式。

有人可以帮助我吗？

谢谢！

【问题讨论】：

如何在引号内指定"？
对我来说，| 分隔 CSV 看起来写得很好。
如果您查看 "field1"|"field|2"|"field3\n"|"..." 并拆分为管道，它将字段和 2 拆分为两个字段而不是一个字段
我的意思是，当字段包含" 时，CSV 是什么样的？
你为什么说这个文件写得不好，你为什么不找一个存在的csv库呢？

标签： java regex csv

【解决方案1】：

因为您的 csv 不包含任何转义的双引号，我建议您进行匹配而不是拆分。

"(?s)\".*?\""

(?s) 称为 dotall 修饰符，它使您的模式中的点匹配偶数换行符。

DEMO

String s = "\"xxx\"|\"yyy|bar\"|\"zzz\"|\"nn\n" + 
        "n\"|\"....\"";
Matcher m = Pattern.compile("(?s)\".*?\"").matcher(s);
while(m.find())
{
        System.out.println(m.group(0));
}

输出：

"xxx"
"yyy|bar"
"zzz"
"nn
n"
"...."

如果您不想在最终输出中出现双引号，请使用捕获组。

String s = "\"xxx\"|\"yyy|bar\"|\"zzz\"|\"nn\n" + 
        "n\"|\"....\"";
Matcher m = Pattern.compile("(?s)\"(.*?)\"").matcher(s);
    while(m.find())
    {
        System.out.println(m.group(1));
    }

输出：

xxx
yyy|bar
zzz
nn
n
....

【讨论】：

【解决方案2】：

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

您可以使用它来拆分您的字符串。参见演示。

https://regex101.com/r/vN3sH3/48

【讨论】：

【解决方案3】：

为自己选择一个已经存在的CSV Library，它将为您处理此问题和其他问题。 CSV 不像“逗号分隔”那么简单，所以没有必要重新发明轮子

【讨论】：

您确定它适用于这种情况，其中字段可以在引号内包含未转义的换行符吗？
我没有使用过那个特定的库，因为它是一个 Apache 项目，所以我猜它正确地符合 CSV 规范

【解决方案4】：

刚刚使用此正则表达式 ["][|]["] 进行了简单的字符串拆分测试。

所以你可以使用你的代码：row = line.split("[\"][|][\"]");

或者我的测试用一个简单的字符串拆分：

public static void main(String[] args) {
    String text = "\"xxx\"|\"yyy\"|\"zzz\"|\"nnn\"|\"....\"";
    String regex = "[\"][|][\"]";

    String[] textArray= text.split(regex);
    for(String part:textArray){
        System.out.println(part);
    }        
}

这将输出：

"xxx
yyy
zzz
nnn
...."

因此，只需删除开头和结尾的 " 即可获得拆分字符串。

You can also test any regex on regex test websites.

【讨论】：

列内换行怎么样？