expressão regular para encontrar aspas unescaped em arquivo CSV
Pergunta
O que seria uma expressão regular é encontrar conjuntos de 2 aspas unescaped que estão contidos em colunas ajustados fora por aspas duplas em um arquivo CSV?
Não é um jogo:
"asdf","asdf"
"", "asdf"
"asdf", ""
"adsf", "", "asdf"
Jogo:
"asdf""asdf", "asdf"
"asdf", """asdf"""
"asdf", """"
Solução
Tente isto:
(?m)""(?![ \t]*(,|$))
Explicação:
(?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
Assim, na planície Inglês: "combinar duas aspas duplas sucessivas, somente se eles não têm uma vírgula ou end-of-the-line à frente deles com opcionalmente de espaços e tabulações em entre" .
(i) além de ser o normal, start-of-the-string e end-of-the-string meta caracteres.
Outras dicas
Devido à complexidade do problema, a solução depende do motor você está usando. Isto porque, para resolvê-lo você deve usar olhar para trás e olhar para frente e cada motor não é o mesmo que isso.
A minha resposta está usando motor de Ruby. A verificação é apenas uma RegEx mas eu fora todo o código aqui para melhor explicá-lo.
Note que, devido à Rubi motor RegEx (ou meu conhecimento), à frente olhar opcional / para trás não é possível. Então eu preciso de um pequeno problema de espaços antes e depois da vírgula.
Aqui está o meu código:
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 executado as impressões de código:
"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
Espero dar-lhe alguma idéia aqui que você pode usar com outro motor e da linguagem.
".*"(\n|(".*",)*)
deve funcionar, eu acho ...
Para os jogos de uma única linha:
^("[^"]*"\s*,\s*)*"[^"]*""[^"]*"
ou para multi-linha:
(^|\r\n)("[^\r\n"]*"\s*,\s*)*"[^\r\n"]*""[^\r\n"]*"
Editar / Nota: Dependendo do motor de regex usado, você poderia usar visões traseiras e outras coisas para fazer o mais magro regex. Mas isso deve funcionar na maioria dos motores regex muito bem.
Tente esta expressão regular:
"(?:[^",\\]*|\\.)*(?:""(?:[^",\\]*|\\.)*)+"
Isso irá corresponder a qualquer string com pelo menos um par de aspas duplas unescaped.