在引号外的逗号上拆分

Question

我的程序从文件中读取一行。此行包含逗号分隔的文本，例如：

123,test,444,"don't split, this",more test,1

我希望拆分的结果是这样的：

123
test
444
"don't split, this"
more test
1

如果我使用String.split(",")，我会得到这个：

123
test
444
"don't split
 this"
more test
1

换句话说：子字符串"don't split, this" 中的逗号不是分隔符。如何处理？

Answer 1

你可以试试这个正则表达式：

str.split(",(?=(?:[^\"]*\"[^\"]*\")*[^\"]*$)");

这将分割, 上的字符串，后跟偶数个双引号。换句话说，它在双引号之外的逗号上拆分。如果您的字符串中有平衡的引号，这将起作用。

解释：

,           // Split on comma
(?=         // Followed by
   (?:      // Start a non-capture group
     [^"]*  // 0 or more non-quote characters
     "      // 1 quote
     [^"]*  // 0 or more non-quote characters
     "      // 1 quote
   )*       // 0 or more repetition of non-capture group (multiple of 2 quotes will be even)
   [^"]*    // Finally 0 or more non-quotes
   $        // Till the end  (This is necessary, else every comma will satisfy the condition)
)

您甚至可以在您的代码中输入这样的内容，在您的正则表达式中使用(?x) 修饰符。修饰符会忽略正则表达式中的任何空格，因此更容易阅读分成多行的正则表达式，如下所示：

String[] arr = str.split("(?x)   " + 
                     ",          " +   // Split on comma
                     "(?=        " +   // Followed by
                     "  (?:      " +   // Start a non-capture group
                     "    [^\"]* " +   // 0 or more non-quote characters
                     "    \"     " +   // 1 quote
                     "    [^\"]* " +   // 0 or more non-quote characters
                     "    \"     " +   // 1 quote
                     "  )*       " +   // 0 or more repetition of non-capture group (multiple of 2 quotes will be even)
                     "  [^\"]*   " +   // Finally 0 or more non-quotes
                     "  $        " +   // Till the end  (This is necessary, else every comma will satisfy the condition)
                     ")          "     // End look-ahead
                         );

Answer 2

既然可以匹配，为什么要拆分？

重新提出这个问题，因为出于某种原因，没有提到简单的解决方案。这是我们精美紧凑的正则表达式：

"[^"]*"|[^,]+

这将匹配所有需要的片段 (see demo)。

说明

• 和"[^"]*"，我们匹配完整的"double-quoted strings"
• 或|
• 我们匹配[^,]+ 任何不是逗号的字符。

一种可能的改进是改进交替的字符串端，以允许引用的字符串包含转义的引号。

Answer 3

你可以很容易地做到这一点，无需复杂的正则表达式：

1. 拆分字符"。你得到一个字符串列表
2. 处理列表中的每个字符串：将列表中偶数位置上的每个字符串（从零开始索引）拆分为“，”（您会在列表中获得一个列表），单独保留每个奇数位置的字符串（直接将其放入列表中的列表中）。
3. 加入列表列表，因此您只得到一个列表。

如果你想处理 '"' 的引用，你必须稍微调整一下算法（加入一些部分，你有不正确的拆分，或者将拆分更改为简单的正则表达式），但基本结构保持不变。

所以基本上是这样的：

public class SplitTest {
    public static void main(String[] args) {
        final String splitMe="123,test,444,\"don't split, this\",more test,1";
        final String[] splitByQuote=splitMe.split("\"");
        final String[][] splitByComma=new String[splitByQuote.length][];
        for(int i=0;i<splitByQuote.length;i++) {
            String part=splitByQuote[i];
            if (i % 2 == 0){
               splitByComma[i]=part.split(",");
            }else{
                splitByComma[i]=new String[1];
                splitByComma[i][0]=part;
            }
        }
        for (String parts[] : splitByComma) {
            for (String part : parts) {
                System.out.println(part);
            }
        }
    }
}

承诺使用 lambda 会更简洁！

Answer 4

基于 @zx81's 的回答，因为匹配的想法非常好，我添加了 Java 9 results 调用，它返回一个 Stream。由于 OP 想使用split，我已经收集到String[]，就像split 一样。

如果逗号分隔符 (a, b, "c,d") 后面有空格，请注意。然后你需要改变模式。

Jshell 演示

$ jshell
-> String so = "123,test,444,\"don't split, this\",more test,1";
|  Added variable so of type String with initial value "123,test,444,"don't split, this",more test,1"

-> Pattern.compile("\"[^\"]*\"|[^,]+").matcher(so).results();
|  Expression value is: java.util.stream.ReferencePipeline$Head@2038ae61
|    assigned to temporary variable $68 of type java.util.stream.Stream<MatchResult>

-> $68.map(MatchResult::group).toArray(String[]::new);
|  Expression value is: [Ljava.lang.String;@6b09bb57
|    assigned to temporary variable $69 of type String[]

-> Arrays.stream($69).forEach(System.out::println);
123
test
444
"don't split, this"
more test
1

代码

String so = "123,test,444,\"don't split, this\",more test,1";
Pattern.compile("\"[^\"]*\"|[^,]+")
    .matcher(so)
    .results()
    .map(MatchResult::group)
    .toArray(String[]::new);

说明

1. 正则表达式 [^"] 匹配：引号，除引号外的任何内容，引号。
2. 正则表达式 [^"]* 匹配：一个引号，除了 0（或更多）次引号之外的任何内容，一个引号。
3. 该正则表达式需要首先“获胜”，否则匹配除了逗号 1 次或更多次 - 即：[^,]+ - 将“获胜”。
4. results() 需要 Java 9 或更高版本。
5. 它返回Stream<MatchResult>，我使用group() 调用将其映射并收集到字符串数组。无参数的toArray() 调用将返回Object[]。

Answer 5

请看下面的代码sn-p。此代码仅考虑快乐流。根据您的要求更改

public static String[] splitWithEscape(final String str, char split,
        char escapeCharacter) {
    final List<String> list = new LinkedList<String>();

    char[] cArr = str.toCharArray();

    boolean isEscape = false;
    StringBuilder sb = new StringBuilder();

    for (char c : cArr) {
        if (isEscape && c != escapeCharacter) {
            sb.append(c);
        } else if (c != split && c != escapeCharacter) {
            sb.append(c);
        } else if (c == escapeCharacter) {
            if (!isEscape) {
                isEscape = true;
                if (sb.length() > 0) {
                    list.add(sb.toString());
                    sb = new StringBuilder();
                }
            } else {
                isEscape = false;
            }

        } else if (c == split) {
            list.add(sb.toString());
            sb = new StringBuilder();
        }
    }

    if (sb.length() > 0) {
        list.add(sb.toString());
    }

    String[] strArr = new String[list.size()];

    return list.toArray(strArr);
}