用不被引号包围的分号分割答案

【问题标题】：Splitting by a semicolon not surrounded by quote signs用不被引号包围的分号分割
【发布时间】：2017-09-11 15:03:25
【问题描述】：

好吧，你好社区。我正在用 PHP 编写一个 CSV 解码器（是的，我知道已经有一个，但对我来说是一个挑战，因为我在空闲时间学习它）。现在的问题是：好吧，行被PHP_EOL 分开。

在这一行：

foreach(explode($sep, $str) as $line) {

其中 sep 是拆分行的变量，而 str 是我要解码的字符串。

但如果我想用分号分隔列，可能会出现分号是一列内容的情况。正如我研究的那样，这个问题是通过用这样的引号包围整个列来解决的：

输入：

"0;0";1;2;3;4

预期输出：

0;0 | 1 | 2 | 3 | 4

我已经想到了前瞻/后瞻。但由于我过去没有使用它，也许这可能是一个很好的做法，我不知道如何将它包含在正则表达式中。我的解码函数返回一个二维数组（就像一个表......），我想像这样向数组添加行（是的，正则表达式被搞砸了......）：

$res[] = preg_split("/(?<!\")". preg_quote($delim). "(?!\")/", $line);

最后是我的完整代码：

function csv_decode($str, $delim = ";", $sep = PHP_EOL) {
    if($delim == "\"") $delim = ";";
    $res = [];

    foreach(explode($sep, $str) as $line) {
        $res[] = preg_split("/(?<!\")". preg_quote($delim). "(?!\")/", $line);
    }

    return $res;
}

提前致谢！

【问题讨论】：

标签： php regex csv pcre decoder

【解决方案1】：

这有点违反直觉，但通过正则表达式拆分字符串的最简单方法通常是使用preg_match_all 代替preg_split：

preg_match_all('~("[^"]*"|[^;"]*)(?:;|$)~A', $line, $m);
$res[] = $m[1];

A 修饰符确保从字符串开头连续匹配的连续性。

如果您不希望结果中包含引号，可以使用branch reset feature (?|..(..)..|..(..)..)：

preg_match_all('~(?|"([^"]*)"|([^;"]*))(?:;|$)~A', $line, $m);

其他解决方法，但这次针对preg_split：在分隔符之前包含您想要避免的部分，并使用\K 功能将其从整个匹配中丢弃：

$res[] = preg_split('~(?:"[^"]*")?\K;~', $line);

【讨论】：

这对我有点帮助。也许对于（让我说）高级初学者（因为我不是基于 0 技能，但我显然只知道捕获组、字母类等基础知识，所以高级初学者和没有中级）我希望得到更多解释，因为其中很多功能对我来说是全新的。
让我试试看：第一个正则表达式：第一个捕获组是一个引号，后跟许多非引号字符或许多非分号字符和非引号字符。然后是包含分号或美元符号的非捕获（这意味着字符串的结尾？我很困惑......）？
第二个：提到的分支重置组，idk...捕获组1包括许多非引号字符，该组被两个引号包围。第 1 组也可以包含许多非分号字符或非引号符号字符。未捕获的组包括分号或美元符号。
毕竟没有我想象的那么难，我不得不说正则表达式的最后让我感到困惑。
@iBinary：是的，不难，“美元符号”是一个特殊字符：$ 是字符串结尾的零宽度断言。

【解决方案2】：

您可以使用此函数str_getcsv，在此您也可以指定自定义分隔符（;）。

Try this code snippet

<?php

$string='"0;0";1;2;3;4';
print_r(str_getcsv($string,";"));

输出：

Array
(
    [0] => 0;0
    [1] => 1
    [2] => 2
    [3] => 3
    [4] => 4
)

【讨论】：

正在考虑使用相同的方法来避免正则表达式，数组遍历也很好，可以解析 0;0 而不是将其作为字符串而是作为数组。
@Mr.Phoenix 我没用过正则表达式，这里我用的是PHP的内置函数。
它适用于 $string。但是当引号从双引号变为单引号时： $string="'0;0';1;2;3;4";它失败了。
@iBinary 这是“这样做的方法”。 str_getcsv() 专门为此任务而构建，特别方便。
@honglinzhang 您的要求与发布的问题略有不同。 See the documentation 默认的“附件”字符是"。如果您需要将其更改为单引号，请将 ' 添加到调用的第三个参数，如下所示：str_getcsv($string, ";", "'")

【解决方案3】：

对于 csv 类型的行，拆分不是一个好的选择。
您可以使用经过验证的旧 \G 锚点和全局查找类型函数。

Practical

正则表达式：'~\G(?:(?:^|;)\s*)(?|"([^"]*)"|([^;]*?))(?:\s*(?:(?=;)|$))~'

信息：

 \G                            # G anchor, start where last match left off
 (?:                           # leading BOL or ;
      (?: ^ | ; )
      \s*                           # optional whitespaces
 )
 (?|                           # branch reset
      " 
      ( [^"]* )                     # (1), double quoted string data
      "
   |                              # or
      ( [^;]*? )                    # (1), non-quoted field
 )
 (?:                           # trailing optional whitespaces
      \s* 
      (?:
           (?= ; )                       # lookahead for ;
        |  $                             # or EOL
      )
 )

【讨论】：