Java：拆分逗号分隔的字符串，但忽略引号中的逗号

string regex java

2022-08-31 05:19:26

我有一个模糊的字符串，如下所示：

foo,bar,c;qual="baz,blurb",d;junk="quux,syzygy"

我想用逗号分割 - 但我需要忽略引号中的逗号。我该怎么做？似乎正则表达式方法失败了;我想当我看到报价时，我可以手动扫描并进入不同的模式，但是使用预先存在的库会很好。（编辑：我想我指的是已经是JDK一部分的库，或者已经是像Apache Commons这样常用库的一部分。

上面的字符串应该拆分为：

foo
bar
c;qual="baz,blurb"
d;junk="quux,syzygy"

注意：这不是CSV文件，而是包含在整体结构较大的文件中的单个字符串

答案 1

尝试：

public class Main { 
    public static void main(String[] args) {
        String line = "foo,bar,c;qual=\"baz,blurb\",d;junk=\"quux,syzygy\"";
        String[] tokens = line.split(",(?=(?:[^\"]*\"[^\"]*\")*[^\"]*$)", -1);
        for(String t : tokens) {
            System.out.println("> "+t);
        }
    }
}

输出：

> foo
> bar
> c;qual="baz,blurb"
> d;junk="quux,syzygy"

换句话说：仅当逗号为零或前面有偶数个引号时，才在逗号上拆分。

或者，对眼睛更友好一点：

public class Main { 
    public static void main(String[] args) {
        String line = "foo,bar,c;qual=\"baz,blurb\",d;junk=\"quux,syzygy\"";
        
        String otherThanQuote = " [^\"] ";
        String quotedString = String.format(" \" %s* \" ", otherThanQuote);
        String regex = String.format("(?x) "+ // enable comments, ignore white spaces
                ",                         "+ // match a comma
                "(?=                       "+ // start positive look ahead
                "  (?:                     "+ //   start non-capturing group 1
                "    %s*                   "+ //     match 'otherThanQuote' zero or more times
                "    %s                    "+ //     match 'quotedString'
                "  )*                      "+ //   end group 1 and repeat it zero or more times
                "  %s*                     "+ //   match 'otherThanQuote'
                "  $                       "+ // match the end of the string
                ")                         ", // stop positive look ahead
                otherThanQuote, quotedString, otherThanQuote);

        String[] tokens = line.split(regex, -1);
        for(String t : tokens) {
            System.out.println("> "+t);
        }
    }
}

这与第一个示例相同。

编辑

正如@MikeFHay在评论中提到的：

我更喜欢使用番石榴的Splitter，因为它具有更合理的默认值（请参阅上面关于空匹配被修剪的讨论，所以我做了：String#split()
Splitter.on(Pattern.compile(",(?=(?:[^\"]*\"[^\"]*\")*[^\"]*$)"))

答案 2

虽然我确实喜欢正则表达式，但对于这种依赖于状态的标记化，我相信一个简单的解析器（在这种情况下，它比这个词听起来要简单得多）可能是一个更干净的解决方案，特别是在可维护性方面，例如：

String input = "foo,bar,c;qual=\"baz,blurb\",d;junk=\"quux,syzygy\"";
List<String> result = new ArrayList<String>();
int start = 0;
boolean inQuotes = false;
for (int current = 0; current < input.length(); current++) {
    if (input.charAt(current) == '\"') inQuotes = !inQuotes; // toggle state
    else if (input.charAt(current) == ',' && !inQuotes) {
        result.add(input.substring(start, current));
        start = current + 1;
    }
}
result.add(input.substring(start));

如果您不关心保留引号内的逗号，则可以简化此方法（不处理起始索引，没有最后一个字符的特殊情况），方法是将引号中的逗号替换为其他内容，然后在逗号处拆分：

String input = "foo,bar,c;qual=\"baz,blurb\",d;junk=\"quux,syzygy\"";
StringBuilder builder = new StringBuilder(input);
boolean inQuotes = false;
for (int currentIndex = 0; currentIndex < builder.length(); currentIndex++) {
    char currentChar = builder.charAt(currentIndex);
    if (currentChar == '\"') inQuotes = !inQuotes; // toggle state
    if (currentChar == ',' && inQuotes) {
        builder.setCharAt(currentIndex, ';'); // or '♡', and replace later
    }
}
List<String> result = Arrays.asList(builder.toString().split(","));