首页 文章

Java：拆分以逗号分隔的字符串，但忽略引号中的逗号

提问于
浏览 次
218

我有一个模糊的字符串：

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

我想用逗号分割 - 但我需要在引号中忽略逗号 . 我怎样才能做到这一点？看起来像正则表达式方法失败;我想我可以在看到引号时手动扫描并进入不同的模式，但使用预先存在的库会更好 . （编辑：我想我的意思是已经是JDK的一部分或已经是Apache Commons等常用库的一部分的库 . ）

上面的字符串应该分成：

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

note: 这不是CSV文件，它是包含在具有更大整体结构的文件中的单个字符串

java regex string

9 回答

  • 20

    虽然我确实喜欢正则表达式，但是对于这种依赖于状态的标记化，我相信一个简单的解析器（在这种情况下比这个单词要简单得多）可能是一个更清晰的解决方案，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
    boolean atLastChar = (current == input.length() - 1);
    if(atLastChar) result.add(input.substring(start));
    else if (input.charAt(current) == ',' && !inQuotes) {
        result.add(input.substring(start, current));
        start = current + 1;
    }
}

    如果你不关心在引号内保留逗号，你可以通过用引号替换引号中的逗号来简化这种方法（不处理起始索引，没有最后一个字符特殊情况），然后用逗号分割：

    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(","));
    回复于
  • 2

    我不建议Bart的正则表达式答案，我发现在这种特殊情况下解析解决方案更好（正如Fabian提出的那样） . 我已经尝试了正则表达式解决方案和自己的解析实现我发现：

    • 解析比使用反向引用正则表达式分裂快得多 - 短字符串快20倍，长字符串快约40倍 .

    • 正则表达式在最后一个逗号后找不到空字符串 . 这不是原始问题，但这是我的要求 .

    我的解决方案和测试如下 .

    String tested = "foo,bar,c;qual=\"baz,blurb\",d;junk=\"quux,syzygy\",";
long start = System.nanoTime();
String[] tokens = tested.split(",(?=([^\"]*\"[^\"]*\")*[^\"]*$)");
long timeWithSplitting = System.nanoTime() - start;

start = System.nanoTime(); 
List<String> tokensList = new ArrayList<String>();
boolean inQuotes = false;
StringBuilder b = new StringBuilder();
for (char c : tested.toCharArray()) {
    switch (c) {
    case ',':
        if (inQuotes) {
            b.append(c);
        } else {
            tokensList.add(b.toString());
            b = new StringBuilder();
        }
        break;
    case '\"':
        inQuotes = !inQuotes;
    default:
        b.append(c);
    break;
    }
}
tokensList.add(b.toString());
long timeWithParsing = System.nanoTime() - start;

System.out.println(Arrays.toString(tokens));
System.out.println(tokensList.toString());
System.out.printf("Time with splitting:\t%10d\n",timeWithSplitting);
System.out.printf("Time with parsing:\t%10d\n",timeWithParsing);

    当然，如果您对丑陋感到不舒服，可以自由更改切换到此片段中的else-ifs . 注意在用分离器切换后没有断裂 . StringBuilder被设计为StringBuffer，以提高速度，线程安全无关紧要 .

    回复于
  • 40

    试试lookaround，如 (?!\"),(?!\") . 这应匹配未被 " 包围的 , .

    回复于
  • 7

    我会做这样的事情：

    boolean foundQuote = false;

if(charAtIndex(currentStringIndex) == '"')
{
   foundQuote = true;
}

if(foundQuote == true)
{
   //do nothing
}

else 

{
  string[] split = currentString.split(',');  
}
    回复于
  • 2

    你正处于那个令人讨厌的边界区域，其中regexps几乎不会做（正如Bart所指出的那样，逃避引用会让生活变得艰难），然而一个成熟的解析器似乎有点矫枉过正 .

    如果你很快就需要更大的复杂性，我会去寻找一个解析器库 . 例如this one

    回复于
  • -1

    我很不耐烦，选择不等待答案......作为参考，看起来并不难做到这样的事情（这适用于我的应用程序，我不需要担心转义引号，因为引号中的内容仅限于一些约束形式）：

    final static private Pattern splitSearchPattern = Pattern.compile("[\",]"); 
private List<String> splitByCommasNotInQuotes(String s) {
    if (s == null)
        return Collections.emptyList();

    List<String> list = new ArrayList<String>();
    Matcher m = splitSearchPattern.matcher(s);
    int pos = 0;
    boolean quoteMode = false;
    while (m.find())
    {
        String sep = m.group();
        if ("\"".equals(sep))
        {
            quoteMode = !quoteMode;
        }
        else if (!quoteMode && ",".equals(sep))
        {
            int toPos = m.start(); 
            list.add(s.substring(pos, toPos));
            pos = m.end();
        }
    }
    if (pos < s.length())
        list.add(s.substring(pos));
    return list;
}

    （为读者练习：通过查找反斜杠扩展到处理转义引号 . ）

    回复于
  • 0
    回复于
  • 2

    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：只有当逗号为零或前面有偶数引号时才能在逗号上拆分 .

    或者，眼睛有点友善：

    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);
        }
    }
}

    其产生与第一个例子相同 .

    编辑

    正如@MikeFHay在评论中所提到的：

    我更喜欢使用Guava的Splitter，因为它有saner默认值（请参阅上面关于String＃split（）修剪空匹配的讨论，所以我做了：Splitter.on（Pattern.compile（“，（？=（？：[^\ “] * \”[^\ “] * \”）* [^\ “] * $）”））

    回复于
  • 392

    而不是使用先行和其他疯狂的正则表达式，只需先拔出引号 . 也就是说，对于每个报价分组，将该分组替换为 __IDENTIFIER_1 或其他指标，并将该分组映射到字符串，字符串的映射 .

    在逗号上拆分后，将所有映射的标识符替换为原始字符串值 .

    回复于

相关问题