正则表达式拆分 CSV

Question

我知道这个（或类似的）已经被问过很多次了，但是在尝试了很多可能性之后，我一直无法找到一个 100% 有效的正则表达式。

我有一个 CSV 文件，我试图将其拆分为一个数组，但遇到了两个问题：带引号的逗号和空元素。

CSV 看起来像：

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

我尝试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

说明

我认为与其使用拆分，不如简单地执行匹配并处理所有找到的匹配项。

这个表达式将：

• 用逗号分隔示例文本
• 将处理空值
• 将忽略双引号逗号，前提是双引号不嵌套
• 从返回值中删除分隔逗号
• 从返回值中修剪周围的引号
• 如果字符串以逗号开头，则第一个捕获组将返回空值

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

示例

示例文本

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

使用非 java 表达式的 ASP 示例

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

第 0 组获取包含逗号的整个子字符串
第 1 组获得报价（如果已使用）
第 2 组获取不包括逗号的值

[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

已编辑

正如 Boris 指出的那样，CSV 格式会将双引号 " 转义为双引号 ""。尽管 OP 未包含此要求，但如果您的文本包含双双引号，那么您将需要使用此修改后的表达式：

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

另请参阅：https://regex101.com/r/y8Ayag/1

还应该指出，Regex 是一种模式匹配工具，而不是解析引擎。因此，如果您的文本包含双双引号，则在模式匹配完成后它仍将包含双双引号。使用此解决方案，您仍然需要搜索双双引号并在捕获的文本中替换它们。

Answer 2

对此进行了一段时间的研究并提出了这个解决方案：

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

Try it out here!

此解决方案处理“不错”的 CSV 数据，例如

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

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

还有更丑的东西

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

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

这是explanation of how it works：

(?:,|\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 无法识别这种形式的 Proceeded By ?。

对于您的值，它将创建匹配项

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

我迟到了，但以下是我使用的正则表达式：

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

此模式具有三个捕获组：

1. 引用单元格的内容
2. 未引用单元格的内容
3. 新行

此模式处理以下所有内容：

• 没有任何特殊功能的正常单元格内容：一、二、三
• 包含双引号的单元格（" 转义为 ""）：没有引号，"a ""quoted"" thing",end
• 单元格包含换行符：一、二\n三、四
• 具有内部引号的普通单元格内容：one,two"three,four
• 单元格包含引号，后跟逗号：one,"two ""three"",four",five

See this pattern in use.

如果您使用的是功能更强大的正则表达式，带有命名组和后视功能，我更喜欢以下方法：

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

See this pattern in use.

编辑

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

只要您不使用 Javascript，这种稍微修改的模式就可以处理第一列为空的行。出于某种原因，Javascript 将使用此模式省略第二列。我无法正确处理这种极端情况。

Answer 5

我也需要这个答案，但我发现这些答案虽然内容丰富，但对于其他语言有点难以理解和复制。这是我为 CSV 行中的单个列想出的最简单的表达式。我不分裂。我正在构建一个正则表达式来匹配 CSV 中的一列，所以我没有拆分行：

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

这匹配 CSV 行中的单个列。表达式的第一部分"([^"]*)" 是匹配引用条目，第二部分[^,]* 是匹配非引用条目。然后是, 或行尾$。

以及附带的调试表达式来测试表达式。

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

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。 虽然很少有人不喜欢命名空间（我也是其中的一员），但我提出了一些属于 .Net 框架的内容，并在所有情况下始终给我正确的结果（主要是很好地管理每个双引号情况）：

Microsoft.VisualBasic.FileIO.TextFieldParser

在这里找到它：StackOverflow

使用示例：

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)
{
    ...

希望对您有所帮助。

Answer 7

在 Java 中，这种模式 ",(?=([^\"]*\"[^\"]*\")*(?![^\"]*\"))"几乎对我有用：

String text = "\",\",\",,\",,\",asdasd a,sd s,ds ds,dasda,sds,ds,\"";
String regex = ",(?=([^\"]*\"[^\"]*\")*(?![^\"]*\"))";
Pattern p = Pattern.compile(regex);
String[] split = p.split(text);
for(String s:split) {
    System.out.println(s);
}

输出：

","
",a,,"

",asdasd a,sd s,ds ds,dasda,sds,ds,"

缺点：当列有奇数个引号时不起作用:(

Answer 8

将 JScript 用于经典 ASP 页面的优势在于，您可以使用为 JavaScript 编写的众多库之一。

喜欢这个：https://github.com/gkindel/CSV-JS。下载它，将它包含在您的 ASP 页面中，并用它解析 CSV。

<%@ language="javascript" %>

<script language="javascript" runat="server" src="scripts/csv.js"></script>
<script language="javascript" runat="server">

var text = '123,2.99,AMO024,Title,"Description, more info",,123987564',
    rows = CSV.parse(line);

    Response.Write(rows[0][4]);
</script>

Answer 9

Aaaand 另一个答案在这里。 :) 因为我无法让其他人相当工作。

我的解决方案都处理转义引号（两次出现），并且在匹配中不包含分隔符。

请注意，我一直在匹配 ' 而不是 "，因为那是我的场景，但只需在模式中替换它们即可获得相同的效果。

到这里（如果您使用下面的注释版本，请记住使用“忽略空格”标志/x）：

# Only include if previous char was start of string or delimiter
(?<=^|,)
(?:
  # 1st option: empty quoted string (,'',)
  '{2}
  |
  # 2nd option: nothing (,,)
  (?:)
  |
  # 3rd option: all but quoted strings (,123,)
  # (included linebreaks to allow multiline matching)
  [^,'\r\n]+
  |
  # 4th option: quoted strings (,'123''321',)
  # start pling
  ' 
    (?:
      # double quote
      '{2}
      |
      # or anything but quotes
      [^']+
    # at least one occurance - greedy
    )+
  # end pling
  '
)
# Only include if next char is delimiter or end of string
(?=,|$)

单行版本：

(?<=^|,)(?:'{2}|(?:)|[^,'\r\n]+|'(?:'{2}|[^']+)+')(?=,|$)

Debuggex Demo

regex101 example

Answer 10

另一个答案具有一些额外的功能，例如支持包含转义引号和 CR/LF 字符（跨多行的单个值）的引用值。

注意：虽然以下解决方案可能适用于其他正则表达式引擎，但按原样使用它需要您的正则表达式引擎将 multiple named capture groups using the same name 视为一个单一的捕获组。 （.NET 默认会这样做）

---

当 CSV 文件/流的多行/记录（匹配 RFC standard 4180）被传递到下面的正则表达式时，它将为每个非空行/记录返回一个匹配项。每个匹配项都将包含一个名为 Value 的捕获组，其中包含该行/记录中的捕获值（如果行/记录末尾有一个开放引号，则可能是一个 OpenValue 捕获组） em>。

这是注释模式（测试它on Regexstorm.net）：

(?<=\r|\n|^)(?!\r|\n|$)                       // Records start at the beginning of line (line must not be empty)
(?:                                           // Group for each value and a following comma or end of line (EOL) - required for quantifier (+?)
  (?:                                         // Group for matching one of the value formats before a comma or EOL
    "(?<Value>(?:[^"]|"")*)"|                 // Quoted value -or-
    (?<Value>(?!")[^,\r\n]+)|                 // Unquoted value -or-
    "(?<OpenValue>(?:[^"]|"")*)(?=\r|\n|$)|   // Open ended quoted value -or-
    (?<Value>)                                // Empty value before comma (before EOL is excluded by "+?" quantifier later)
  )
  (?:,|(?=\r|\n|$))                           // The value format matched must be followed by a comma or EOL
)+?                                           // Quantifier to match one or more values (non-greedy/as few as possible to prevent infinite empty values)
(?:(?<=,)(?<Value>))?                         // If the group of values above ended in a comma then add an empty value to the group of matched values
(?:\r\n|\r|\n|$)                              // Records end at EOL

这是没有所有 cmets 或空格的原始模式。

(?<=\r|\n|^)(?!\r|\n|$)(?:(?:"(?<Value>(?:[^"]|"")*)"|(?<Value>(?!")[^,\r\n]+)|"(?<OpenValue>(?:[^"]|"")*)(?=\r|\n|$)|(?<Value>))(?:,|(?=\r|\n|$)))+?(?:(?<=,)(?<Value>))?(?:\r\n|\r|\n|$)

[这是来自 Debuggex.com 的可视化][3]（捕获组以清晰命名）： ![Debuggex.com 可视化][4]

可以在我对类似问题here、C# pad here 或here 的回答中找到有关如何使用正则表达式模式的示例。

Answer 11

如果你知道你不会有一个空字段 (,,) 那么这个表达式很有效：

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

如下例...

Set rx = new RegExp
rx.Pattern = "(""[^""]*""|[^,]+)"
rx.Global = True
Set col = rx.Execute(sText)
For n = 0 to col.Count - 1
    if n > 0 Then s = s & vbCrLf
    s = s & col(n)
Next

但是，如果您预计会有一个空字段并且您的文本相对较小，那么您可能会考虑在解析之前用空格替换空字段以确保它们被捕获。比如……

...
Set col = rx.Execute(Replace(sText, ",,", ", ,"))
...

如果您需要保持字段的完整性，您可以恢复逗号并测试循环内的空格。这可能不是最有效的方法，但它可以完成工作。

Answer 12

我正在使用这个，它适用于逗号分隔符和双引号转义。 通常这应该可以解决您的问题：

/(?<=^|,)(\"(?:[^"]+|"")*\"|[^,]*)(?:$|,)/g

Answer 13

我使用这种表达方式。它考虑了我遇到的逗号后的空格。

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

Answer 14

我也需要从 SQL 插入语句中拆分 CSV 值。

在我的例子中，我可以假设字符串是用单引号括起来的，而数字不是。

csv.split(/,((?=')|(?=\d))/g).filter(function(x) { return x !== '';});

由于某些可能显而易见的原因，此正则表达式会产生一些空白结果。我可以忽略这些，因为我的数据中的任何空值都表示为 ...,'',... 而不是 ...,,...。

Answer 15

如果我使用“g”标志尝试@chubbsondubs 在http://regex101.com 上发布的正则表达式，则匹配项仅包含“，”或空字符串。 使用这个正则表达式：
(?:"([^"]*)"|([^,]*))(?:[,])
我可以匹配 CSV 的部分（包括引用的部分）。 （该行必须以“，”结尾，否则无法识别最后一部分。）
https://regex101.com/r/dF9kQ8/4
如果 CSV 看起来像：
"",huhu,"hel lo",world,
有 4 场比赛：
''
'呼呼'
'你好'
'世界'

Answer 16

,?\s*'.+?'|,?\s*".+?"|[^"']+?(?=,)|[^"']+  

此正则表达式适用于单引号和双引号，也适用于另一个引号！

Answer 17

这个匹配我在 c# 中需要的所有内容：

(?<=(^|,)(?<quote>"?))([^"]|(""))*?(?=\<quote>(?=,|$))

• 去掉引号
• 让新行
• 允许在带引号的字符串中使用双引号
• 允许在引号字符串中使用逗号

Answer 18

匹配带有转义[双引号]单引号的单引号值的正确正则表达式是：

'([^n']|(''))+'