Espressione regolare per trovare virgolette doppie senza escape nel file CSV
Domanda
Quale sarebbe un'espressione regolare per trovare gruppi di 2 virgolette doppie senza escape che sono contenute in colonne con virgolette doppie in un file CSV?
Non una corrispondenza:
"asdf","asdf"
"", "asdf"
"asdf", ""
"adsf", "", "asdf"
Corrispondenza:
"asdf""asdf", "asdf"
"asdf", """asdf"""
"asdf", """"
Soluzione
Prova questo:
(?m)""(?![ \t]*(,|$))
Spiegazione:
(?m) // enable multi-line matching (^ will act as the start of the line and $ will act as the end of the line (i))
"" // match two successive double quotes
(?! // start negative look ahead
[ \t]* // zero or more spaces or tabs
( // open group 1
, // match a comma
| // OR
$ // the end of the line or string
) // close group 1
) // stop negative look ahead
Quindi, in parole povere: " abbina due doppie virgolette successive, solo se NON hanno una virgola o la fine della riga davanti a loro con spazi e tabulazioni opzionali tra " .
(i) oltre ad essere i normali meta-caratteri inizio stringa e fine stringa .
Altri suggerimenti
A causa della complessità del tuo problema, la soluzione dipende dal motore che stai utilizzando. Questo perché per risolverlo è necessario guardare dietro e guardare avanti e ogni motore non è lo stesso questo
La mia risposta sta usando il motore Ruby. Il controllo è solo un RegEx ma ho estratto l'intero codice qui per spiegarlo meglio.
NOTA che, a causa del motore Ruby RegEx (o delle mie conoscenze), non è possibile guardare avanti / indietro facoltativo. Quindi ho bisogno di un piccolo problema di spazi prima e dopo la virgola.
Ecco il mio codice:
orgTexts = [
'"asdf","asdf"',
'"", "asdf"',
'"asdf", ""',
'"adsf", "", "asdf"',
'"asdf""asdf", "asdf"',
'"asdf", """asdf"""',
'"asdf", """"'
]
orgTexts.each{|orgText|
# Preprocessing - Eliminate spaces before and after comma
# Here is needed if you may have spaces before and after a valid comma
orgText = orgText.gsub(Regexp.new('\" *, *\"'), '","')
# Detect valid character (non-quote and valid quote)
resText = orgText.gsub(Regexp.new('([^\"]|^\"|\"$|(?<=,)\"|\"(?=,)|(?<=\\\\)\")'), '-')
# resText = orgText.gsub(Regexp.new('([^\"]|(^|(?<=,)|(?<=\\\\))\"|\"($|(?=,)))'), '-')
# [^\"] ===> A non qoute
# | ===> or
# ^\" ===> beginning quot
# | ===> or
# \"$ ===> endding quot
# | ===> or
# (?<=,)\" ===> quot just after comma
# \"(?=,) ===> quot just before comma
# (?<=\\\\)\" ===> escaped quot
# This part is to show the invalid non-escaped quots
print orgText
print resText.gsub(Regexp.new('"'), '^')
# This part is to determine if there is non-escaped quotes
# Here is the actual matching, use this one if you don't want to know which quote is un-escaped
isMatch = ((orgText =~ /^([^\"]|^\"|\"$|(?<=,)\"|\"(?=,)|(?<=\\\\)\")*$/) != 0).to_s
# Basicall, it match it from start to end (^...$) there is only a valid character
print orgText + ": " + isMatch
print
print ""
print ""
}
Quando eseguito, il codice viene stampato:
"asdf","asdf"
-------------
"asdf","asdf": false
"","asdf"
---------
"","asdf": false
"asdf",""
---------
"asdf","": false
"adsf","","asdf"
----------------
"adsf","","asdf": false
"asdf""asdf","asdf"
-----^^------------
"asdf""asdf","asdf": true
"asdf","""asdf"""
--------^^----^^-
"asdf","""asdf""": true
"asdf",""""
--------^^-
"asdf","""": true
Spero di darti un'idea che puoi usare con altri motori e altre lingue.
".*"(\n|(".*",)*)
dovrebbe funzionare, immagino ...
Per le partite a riga singola:
^("[^"]*"\s*,\s*)*"[^"]*""[^"]*"
o per multilinea:
(^|\r\n)("[^\r\n"]*"\s*,\s*)*"[^\r\n"]*""[^\r\n"]*"
Modifica / Nota: A seconda del motore regex utilizzato, è possibile utilizzare lookbehind e altri elementi per rendere il regex più snello. Ma questo dovrebbe funzionare bene nella maggior parte dei motori regex.
Prova questa espressione regolare:
"(?:[^",\\]*|\\.)*(?:""(?:[^",\\]*|\\.)*)+"
Che corrisponderà a qualsiasi stringa tra virgolette con almeno una coppia di virgolette doppie senza caratteri di escape.