如何使用正則表達式來解析不規則的CSV並且不選擇某些字符

Question

我必須處理一個奇怪的CSV格式，而且我一直在遇到問題。我已經能夠制定出迄今爲止的字符串是

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

我的文件經常破裂，不規則的，因爲我們必須處理，通常這不是由我們的用戶檢查OCR'd文本。因此，我們傾向於結束很多奇怪的事情，比如單個「在一個領域內，甚至是一個換行符」（這就是爲什麼我使用Regex而不是我以前的基於readLine（）的解決方案）。它能正確地解析大部分內容，除了捕獲[，] [，]。我怎樣才能讓它不只選擇只有一個逗號的字段？當我嘗試不讓它選擇逗號時，它會將「156,000」變成[156 ]和[000]

我一直在使用該測試字符串

"156,000","",""i","parts","dog"","","Monthly "running" totals" 

理想的願望捕獲輸出

[156,000],[],[i],[parts],[dog],[],[Monthly "running" totals] 

我可以帶或不帶內部引號，因爲我總是可以在處理過程中剝離它們。

非常感謝你的時間。

Answer 1

你的CSV確實是不規則的，很難解析。我建議你先對數據進行2次替換。

// remove all invalid double "" 
input = Regex.Replace(input, @"(?<!,|^)""(?=,|$)|(?<=,)""(?!,|$)", "\""); 

// now escape all inner " 
input = Regex.Replace(input, @"(?<!,|^)"(?!,|$)", @"\\\""); 

// at this stage your have proper CSV data and I suggest using a good .NET csv parser 
// to parse your data and get individual values 

Replacement 1 demo

Replacement 2 demo

您使用正則表達式是什麼味道