Procurando Regex para encontrar novas linhas entre aspas em uma string grande (para C#)
Pergunta
Eu tenho uma string grande (vamos chamá-la de arquivo CSV, embora na verdade não seja um, será mais fácil por enquanto) que preciso analisar em código C#.
A primeira etapa do processo de análise divide o arquivo em linhas individuais usando apenas um StreamReader
objeto e chamada ReadLine
até que passe pelo arquivo.No entanto, qualquer linha pode conter um literal entre aspas simples com novas linhas incorporadas.Preciso encontrar essas novas linhas e convertê-las temporariamente em algum outro tipo de token ou sequência de escape até dividir o arquivo em uma série de linhas... então posso alterá-las novamente.
Dados de entrada de exemplo:
1,2,10,99,'Some text without a newline', true, false, 90
2,1,11,98,'This text has an embedded newline
and continues here', true, true, 90
Eu poderia escrever todo o código C# necessário para fazer isso usando string.IndexOf
para encontrar as seções citadas e procurar novas linhas nelas, mas estou pensando que um Regex pode ser uma escolha melhor (ou seja, agora tenho dois problemas)
Solução
Como este não é um arquivo CSV verdadeiro, ele possui algum tipo de esquema?
Pelo seu exemplo, parece que você tem:int, int, int, int, string, bool, bool, int
Com isso compondo seu registro/objeto.
Supondo que seus dados estejam bem formados (não sei o suficiente sobre sua fonte para saber quão válida é essa suposição);você poderia:
- Leia sua linha.
- Use uma máquina de estado para analisar seus dados.
- Se sua linha terminar e você estiver analisando uma string, leia a próxima linha... e continue analisando.
Eu evitaria usar um regex, se possível.
Outras dicas
Máquinas de estado para realizar esse trabalho são facilitadas com o uso de iteradores C# 2.0.Espero que este seja o último analisador CSV que escreverei.O arquivo inteiro é tratado como um grupo enumerável de strings enumeráveis, ou seja,linhas colunas.IEnumerable é ótimo porque pode ser processado por operadores LINQ.
public class CsvParser
{
public char FieldDelimiter { get; set; }
public CsvParser()
: this(',')
{
}
public CsvParser(char fieldDelimiter)
{
FieldDelimiter = fieldDelimiter;
}
public IEnumerable<IEnumerable<string>> Parse(string text)
{
return Parse(new StringReader(text));
}
public IEnumerable<IEnumerable<string>> Parse(TextReader reader)
{
while (reader.Peek() != -1)
yield return parseLine(reader);
}
IEnumerable<string> parseLine(TextReader reader)
{
bool insideQuotes = false;
StringBuilder item = new StringBuilder();
while (reader.Peek() != -1)
{
char ch = (char)reader.Read();
char? nextCh = reader.Peek() > -1 ? (char)reader.Peek() : (char?)null;
if (!insideQuotes && ch == FieldDelimiter)
{
yield return item.ToString();
item.Length = 0;
}
else if (!insideQuotes && ch == '\r' && nextCh == '\n') //CRLF
{
reader.Read(); // skip LF
break;
}
else if (!insideQuotes && ch == '\n') //LF for *nix-style line endings
break;
else if (ch == '"' && nextCh == '"') // escaped quotes ""
{
item.Append('"');
reader.Read(); // skip next "
}
else if (ch == '"')
insideQuotes = !insideQuotes;
else
item.Append(ch);
}
// last one
yield return item.ToString();
}
}
Observe que o arquivo é lido caractere por caractere, com o código decidindo quando as novas linhas devem ser tratadas como delimitadores de linha ou parte de uma string entre aspas.
E se você colocasse o arquivo inteiro em uma variável e depois dividisse isso com base em novas linhas não citadas?
EDITAR: Desculpe, interpretei mal sua postagem.Se você está procurando um regex, aqui está um:
content = Regex.Replace(content, "'([^']*)\n([^']*)'", "'\1TOKEN\2'");
Pode haver casos extremos e esses dois problemas, mas acho que deve ficar tudo bem na maioria das vezes.O que o Regex faz é primeiro encontrar qualquer par de aspas simples que tenha entre ele e substituí-lo por TOKEN preservando qualquer texto intermediário.
Mesmo assim, eu usaria uma máquina de estado como @bryansh explicou abaixo.