web-dev-qa-db-ja.com

Java：カンマ区切りの文字列を分割しますが、引用符で囲まれたカンマは無視します

私はこのような漠然とした文字列を持っています：

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

コンマで分割したいが、引用符で囲まれたコンマを無視する必要がある。これどうやってするの？正規表現アプローチが失敗したようです。見積もりが表示されたら、手動でスキャンして別のモードに入ることができると思いますが、既存のライブラリを使用するといいでしょう。 （edit：すでにJDKの一部であるか、Apache Commonsのような一般的に使用されるライブラリの一部であるライブラリを意味したと思います。）

上記の文字列は次のように分割されます：

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

注：これはCSVファイルではなく、全体的な構造が大きいファイルに含まれる単一の文字列です

javaregexstring
227
Jason S

試してください：

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);
        }
    }
}

出力：

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

言い換えると、カンマがゼロか、その前に偶数の引用符がある場合にのみ、カンマで分割します。

または、目に優しい。

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);
        }
    }
}

最初の例と同じ結果になります。

編集

コメントで@MikeFHayが言及したように：

私は Guava's Splitter を使用することを好みます。これにはデフォルトがあります（空の一致がString#split()によってトリミングされることについては上記の説明を参照してください。

Splitter.on(Pattern.compile(",(?=(?:[^\"]*\"[^\"]*\")*[^\"]*$)"))
406
Bart Kiers

私は一般的に正規表現が好きですが、この種の状態依存のトークン化では、特にメンテナンス性に関して、単純なパーサー（この場合はWordが鳴らせるよりもはるかに簡単です）がおそらくよりクリーンなソリューションであると思います、たとえば：

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;
    }
}

引用符内のコンマを保持することを気にしない場合は、引用符内のコンマを別のもので置き換えてから分割することで、このアプローチを単純化できます（開始インデックスの処理なし、最後の文字特殊なケースなし）コンマで：

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(","));
43
Fabian Steeg

http://sourceforge.net/projects/javacsv/

https://github.com/pupi1985/JavaCSV-Reloaded （Windowsを実行していないときに、生成された出力にWindows行ターミネーター\r\nを含めることができる以前のライブラリのフォーク）

http://opencsv.sourceforge.net/

Java用のCSV API

CSVファイルの読み取り（および書き込み）にJavaライブラリを推奨できますか？

CSVをXMLファイルに変換するJavaライブラリまたはアプリ？

20
Jonathan Feinberg

私はバートから正規表現の答えを勧めません。この特定のケースでは解析ソリューションの方が良いと思います（ファビアンが提案したように）。私は正規表現ソリューションと独自の解析実装を試しましたが、次のことがわかりました：

  1. 解析は、後方参照を使用した正規表現での分割よりもはるかに高速です-短い文字列では最大20倍、長い文字列では最大40倍高速です。
  2. 正規表現は、最後のコンマの後に空の文字列を見つけることができません。しかし、それは元々の質問ではなく、私の要件でした。

私のソリューションと以下のテスト。

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);

もちろん、そのスニペットに不快感を感じる場合は、このスニペットでelse-ifに切り替えることができます。セパレーターで切り替えた後、ブレークがないことに注意してください。 StringBuilderは、スレッドセーフが無関係な速度を向上させるために、設計によりStringBufferの代わりに選択されました。

7
Marcin Kosinski

私はイライラして、答えを待たないことを選びました...参考のために、このようなことをするのはそれほど難しくありませんいくつかの制約された形式に制限されています）：

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;
}

（読者のための運動：バックスラッシュも探して、エスケープされた引用符の処理に拡張します。）

2
Jason S

(?!\"),(?!\")のような lookaround を試してください。これは、,で囲まれていない"と一致する必要があります。

2
Matthew Sowders

正規表現ではほとんど行われないその厄介な境界領域にいます（Bartが指摘しているように、引用符をエスケープすると生命が難しくなります）が、本格的なパーサーはやり過ぎのようです。

すぐにもっと複雑なものが必要になる可能性がある場合は、パーサーライブラリを探しに行きます。たとえば、 this one

2
djna

先読みやその他のクレイジーな正規表現を使用するのではなく、最初に引用符を引き出してください。つまり、すべての引用グループ化について、そのグループ化を__IDENTIFIER_1または他のインジケーターに置き換え、そのグループ化をstring、stringのマップにマップします。

コンマで分割した後、マッピングされたすべての識別子を元の文字列値に置き換えます。

0
Stefan Kendall