忽略双引号内的流氓引号

Question

我有以下用于 csv 解析器的代码

string input = wholeFile;
IList<string> wholeFileArray = new List<string>();
int start = 0;
bool inQuotes = false;
for (int current = 0; current < input.Length; current++)
{
   // test each character before and after to determine if it is a valid quote, or a quote within a quote.
   int test_backward = (current == 0 ? 1 : current) - 1;
   int test_forward = (current == input.Length - 1 ? input.Length - 2 : current) + 1;
   bool valid_quote = input[test_backward] == ',' || input[test_forward] == ',' || input[test_forward] == '\r';
    if (input[current] == '\"') // toggle state
    {
        inQuotes = !inQuotes;
    }
    bool atLastChar = (current == input.Length - 1);
    if (atLastChar)
    {
        wholeFileArray.Add(input.Substring(start));
    }
    else if (input[current] == ',' && !inQuotes)
    {
        wholeFileArray.Add(input.Substring(start, current - start));
        start = current + 1;
    }
}

如果, 不在这样的双引号"something,foobar" 字符串内，它会接受一个字符串并将其拆分到,。

我的问题是我的字符串中的流氓" 正在搞乱我的整个过程。

例如："bla bla","bla bla2",3,4,"5","bla"bla","End" 结果

• “bla bla”
• "bla bla2"
• 3
• 4
• “5”
• "bla"bla","End"

如何更改我的代码以允许流氓"

“有效”右引号后始终跟逗号 (,) 或控制换行符

已添加 这似乎解决了它

// test each character before and after to determine if it is a valid quote, or a quote within a quote.
int test_backward = (current == 0 ? 1 : current) - 1;
int test_forward = (current == input.Length - 1 ? input.Length - 2 : current) + 1;
bool valid_quote = input[test_backward] == ',' || input[test_forward] == ',' || input[test_forward] == '\r';

Answer 1

试试这样的：

if (input[current] == '"' && // 1
    (!inQuotes || // 2
    current + 1 == input.Length || // 3
    input[current + 1] == '\r' || // 4
    input[current + 1] == '\n' || // 5
        (input[current + 1] == ',' && // 6
            (current + 2 == input.Length || // 7
            input[current + 2] == '\r' || // 8
            input[current + 2] == '\n' || // 9
            input[current + 2] == '"' || // 10
                (input[current + 2] >= '0' && input[current + 2] <= '9'))))) // 11
// toggle state

但请注意，您想要做的事情在各个概念层面上都是错误的。

正确的引号是开引号 2 或作为字符串最后一个字符的引号 3 或后跟 \r 4 或\n 5 或后跟, 6 又是字符串的最后一个字符7 或后跟 \r 8 或 \n 9 或引用 " 10 或由一个数字 11.

Answer 2

如果您可以选择基于 bnf 执行此操作，这是一个相当简单的语法。下面是使用 fsyacc 的样子（又可以从 C# 中使用）

start: lines
lines: line lines {$1::$2}
     | {[]}

line: val vals {$1::$2}
    |  {[]}

val : QUOTE STR QUOTE COMMA {$2}
    | QUOTE STR QUOTE STR QUOTE COMMA { $2 + "\"" + $4 }
    | QUOTE STR QUOTE EOL {$2}
    | QUOTE STR QUOTE STR QUOTE EOL { $2 + "\"" + $4 }
    | QUOTE STR QUOTE EOF {$2}
    | QUOTE STR QUOTE STR QUOTE EOF { $2 + "\"" + $4 }

产生式val 也有点表明这是一个不干净的语法，因为您需要下一个标记来确定要做什么。如果可以要求每行以换行符结尾（包括最后一行），则 val 可以简化为四而不是六，并且要求每行以逗号结尾会将其简化为两行。通过这种方式可以简化很多语法（要求每个语句都以特定字符结尾），这是 c++ 使用的方式;

Answer 3

作为替代方案，只要引号内没有,，您可以查看Microsoft.VisualBasic.FileIO.TextFieldParser。

以下代码sn-p：

using Microsoft.VisualBasic.FileIO;


using (TextFieldParser parser = new TextFieldParser(fileName))
{

    parser.Delimiters = new string[] { "," };

    while (!parser.EndOfData)
    {
        string[] fields = parser.ReadFields();   
    }
}

上面的代码 sn-p 生成一个数组，示例行如下：

“布拉布拉” “布拉布拉2” 3 4 5 “布拉”布拉 “结尾”

显然这需要适应您的代码，这不是最佳解决方案（特别是如果您在引号之间有,），但它可能比尝试处理任意数量的“流氓”引号更容易。