解析 CSV：边缘案例答案

【问题标题】：Parsing a CSV: Edge Cases解析 CSV：边缘案例
【发布时间】：2012-03-31 15:24:10
【问题描述】：

免责声明：我实际上并不是在解析 CSV，而是在解析类似 CSV 的格式；我对使用预建库不感兴趣。

解析以下两行的正确方法是什么？：

a,b"c"d,e
a,"bc"d,e

即，(a) 值中间有引号，(b) 开头有引号，但在下一个值之前没有结束引号。

我不知道应该如何处理这些情况（这将是最直观的）。

我的想法是（a）应该被解析为a,b"c"d,e（引号留在里面），并且（b）应该以同样的方式解析，a,"bc"d， e。但是，让我介绍第三种情况，a,"b,c"d,e——我们是否在“b”和“c”之间分割第二个逗号？

【问题讨论】：

最终，这取决于您在分隔符之间允许的确切内容 - 以及您希望如何解释它。没有合适的方法，你必须定义规则。
@moodywoody：那么，其他解析器如何处理这些情况？作为用户，如果您输入逗号分隔的标签列表（类似于 SO 的标签，但带有逗号分隔符），您会期待什么行为？
就我个人而言，当涉及到引文之类的东西时，我什么都不期待 - 我要求一个定义（我知道这有点逃避，但我喜欢我的问题是“定义明确”）。无论如何，您可能会发现这两个处理 perl 和 csv 文件的链接很有趣stackoverflow.com/questions/633607/…。 en8848.com.cn/Reilly%20Books/perl3/cookbook/ch01_16.htm.
"([^\"\\]*(?:\\.[^\"\\]*)*)" -- 这是一个非常漂亮的正则表达式。我不认为你可以用正则表达式解析字符串并正确地进行转义（必须确保有一个奇数）；我之前问过也没用。我将不得不更深入地研究它。我从未使用过 perl，但我想我明白了。
如果我正确阅读了 Perl 解决方案，"bc"d 将被完全省略，因为结束引号后没有逗号。我想我有点喜欢......它的格式不正确，所以它没有被包括在内，但整个 CSV 并没有爆炸。 i.imgur.com/RFWoq.png

标签： parsing csv dataformat

【解决方案1】：

这是我的方法 (C#) 将 csv 吐出到 html 表的一部分 - 它具有这样的逗号解析：

string[] cells = line.Split(','); // empty cells needed as well
bool noComma = true;

for (int i = 0; i < cells.Length; i++)
{
    string cellI = cells[i];
    int numberOfDoubleQuote = cellI.Count(f => f == '"');
    // == 0 means comma in between quotes
    if (numberOfDoubleQuote == 1)
    {
        noComma = !noComma;
        if (!noComma)
            sLine += "<td>" + cellI;
        else
            sLine += "," + cellI + "</td>";
    }
    else
    {
        if (noComma)
            sLine += "<td>" + cellI + "</td>";
        else
            sLine += "," + cellI;
    }
}

【讨论】：

因此，您基本上拆分了所有逗号，然后如果它们包含单引号，则“加入”单元格......但我认为您没有很好地涵盖这些案例。例如，它将如何处理 a,b",c ？如果我没看错，它会输出 a,b",c 这似乎是错误的。

【解决方案2】：

如果您想与 Excel 保持一致，您将如何解析它：

输入：

a,b"c"d,e
a,"bc"d,e
a,"b,c"d,e

已解析（以 JSON 格式）：

[
  ["a", "b\"c\"d", "e"],
  ["a", "bcd", "e"],
  ["a","b,cd", "e"]
]

解析逻辑是：

如果该行的第一个字符或紧跟在逗号之后的字符是 dbl-quote，则：
- 将其后的所有内容视为“引用”，直到到达结束引号（当然，将两个引号视为转义的 dbl-quote）。从单元格值中删除开头和结尾的引号
- 在到达“结束引号”之后，将单元格值中结束引号之后的任何内容作为文字值包含在内，直到到达逗号或换行符
否则，将逗号后面的所有内容视为文字值，直到到达逗号或换行符

请注意，这意味着如果您在单元格分隔逗号后有一个空格，后跟一个 dbl-quote，则会得到不同的结果，如果您在逗号后没有空格（后跟一个 dbl-quote）

【讨论】：