Java：分割逗号分隔的string，但忽略引号中的逗号
我有一个string隐约如此：
foo,bar,c;qual="baz,blurb",d;junk="quux,syzygy" 我想通过逗号分割 – 但我需要忽略引号中的逗号。 我该怎么做？ 似乎正则expression式的方法失败; 我想我可以手动扫描并进入一个不同的模式，当我看到一个报价，但它会很高兴使用预先存在的库。 （ 编辑 ：我想我是指已经是JDK一部分的库，或者已经是Apache Commons等常用库的一部分）。
上面的string应该分成：
foo bar c;qual="baz,blurb" d;junk="quux,syzygy"
注意：这不是一个CSV文件，它是一个整体结构较大的文件中包含的单个string
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，只有在逗号为零，或者在逗号之前有偶数的逗号时，才能分割逗号 。
或者，对眼睛有点友善：
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); } } }
这与第一个例子相同。
编辑
正如@MikeFHay在评论中提到的那样：
我更喜欢使用番石榴的Splitter ，因为它具有更为明确的默认值（参见上面关于由
String#split()修剪的空匹配的讨论，所以我做了：Splitter.on(Pattern.compile(",(?=(?:[^\"]*\"[^\"]*\")*[^\"]*$)"))
虽然我喜欢正则expression式，但是对于这种依赖于状态的标记化，我相信一个简单的parsing器（在这种情况下比这个单词更简单，可能会使它听起来更简单）可能是一个更干净的解决scheme，特别是在可维护性，例如：
String input = "foo,bar,c;qual=\"baz,blurb\",d;junk=\"quux,syzygy\""; List<String> result = new ArrayList<String>(); int start = 0; boolean inQuotes = false; for (int current = 0; current < input.length(); current++) { if (input.charAt(current) == '\"') inQuotes = !inQuotes; // toggle state boolean atLastChar = (current == input.length() - 1); if(atLastChar) result.add(input.substring(start)); else if (input.charAt(current) == ',' && !inQuotes) { result.add(input.substring(start, current)); start = current + 1; } }
如果你不关心在引号内保留逗号，你可以简化这种方法（不处理开始索引，没有最后一个字符的特殊情况），用逗号replace逗号，然后用逗号分隔：
String input = "foo,bar,c;qual=\"baz,blurb\",d;junk=\"quux,syzygy\""; StringBuilder builder = new StringBuilder(input); boolean inQuotes = false; for (int currentIndex = 0; currentIndex < builder.length(); currentIndex++) { char currentChar = builder.charAt(currentIndex); if (currentChar == '\"') inQuotes = !inQuotes; // toggle state if (currentChar == ',' && inQuotes) { builder.setCharAt(currentIndex, ';'); // or '♡', and replace later } } List<String> result = Arrays.asList(builder.toString().split(","));
http://sourceforge.net/projects/javacsv/
https://github.com/pupi1985/JavaCSV-Reloaded （前一个库的分支将允许生成的输出具有Windows行终止符\r\n不运行Windows时）
http://opencsv.sourceforge.net/
适用于Java的CSV API
你可以推荐一个Java库来阅读（也可能写入）CSV文件吗？
Java库或应用程序将CSV转换为XML文件？
我不会build议来自Bart的正则expression式的答案，我发现在这个特定的情况下parsing解决scheme更好（如费边提出的）。 我试过正则expression式解决scheme和自己的parsing执行我发现：
- parsing比使用反向引用的正则expression式分割要快得多 – 对于短string快20倍，对于长string快约40倍。
- 正则expression式无法在最后一个逗号后find空string。 这不是原来的问题，而是我的要求。
我的解决scheme和testing如下。
String tested = "foo,bar,c;qual=\"baz,blurb\",d;junk=\"quux,syzygy\","; long start = System.nanoTime(); String[] tokens = tested.split(",(?=([^\"]*\"[^\"]*\")*[^\"]*$)"); 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，如果你觉得不舒服的话，你可以自由地改变这个片段中的别名。 请注意，使用分隔符切换后没有中断。 StringBuilder被devise用来代替StringBuffer来提高速度，而线程的安全性是不相关的。
尝试像(?!\"),(?!\")这样的查看 。 这应该匹配,那不包围" 。
你正处在这个令人讨厌的边界区域，正则expression式几乎不会这样做（正如Bart指出的那样，逃避引号会使生活变得困难），但是一个完整的parsing器看起来好像过度杀伤了。
如果你很可能需要更大的复杂性，我会去寻找一个parsing器库。 比如这个
我很不耐烦，select不等待答案…参考它看起来并不难，做这样的事情（这适用于我的应用程序，我不需要担心逃脱的引号，因为引用的东西限于几种限制forms）：
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; }
（针对读者的练习：扩展到查找反斜杠也处理逃脱的报价。）
而不是使用lookahead和其他疯狂的正则expression式，只是先拔出报价。 也就是说，对于每个报价分组，用__IDENTIFIER_1或其他指标replace该分组，并将该分组映射到stringstring映射。
在逗号分隔后，将所有映射的标识符replace为原始string值。
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(','); }
