expressão regular para encontrar aspas unescaped em arquivo CSV

Question

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", """"

Answer 1

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.

Answer 2

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.

Answer 3

".*"(\n|(".*",)*)

deve funcionar, eu acho ...

Answer 4

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.

Answer 5

Tente esta expressão regular:

"(?:[^",\\]*|\\.)*(?:""(?:[^",\\]*|\\.)*)+"

Isso irá corresponder a qualquer string com pelo menos um par de aspas duplas unescaped.