CSV Parsing

Question

Estoy tratando de usar C# para analizar CSV. Usé expresiones regulares para encontrar "," y leí la cadena si mis recuentos de encabezado eran iguales a mi recuento de coincidencias.

Ahora bien, esto no va a funcionar si tengo un valor como:

"a",""b","x","y"","c" 

entonces mi salida es:

'a' 
'"b' 
'x' 
'y"' 
'c' 

pero lo que yo quiero es:

'a' 
'"b","x","y"' 
'c' 

¿Hay ¿Alguna expresión regular o cualquier otra lógica que pueda usar para esto?

Answer 1

Con el fin de tener un archivo CSV analizable, las comillas dobles dentro de un valor necesitan ser adecuadamente escapó de alguna manera. Las dos formas estándar de hacerlo son mediante la representación de una comilla doble, ya sea como dos comillas dobles seguidas o una comilla doble invertida. Esa es una de las dos formas siguientes:

""

\"

En la segunda forma de su cadena inicial se vería así:

"a", "\" B \ ", \" x \ ", \" y \ "", "c"

Si su cadena de entrada no está formateada en un formato riguroso como este, tiene muy pocas posibilidades de analizarlo correctamente en un entorno automatizado.

Answer 2

Bueno, no soy un experto en regex, pero estoy seguro de que tienen una respuesta para esto.

Procesalmente está yendo letra por letra. Establezca una variable, digamos dontMatch, en FALSE.

Cada vez que se encuentra con una cotización alternar dontMatch.

cada vez que se encuentra con una coma, marque dontMatch. Si es VERDADERO, ignora la coma. Si es FALSO, divídelo en la coma.

Esto funciona para el ejemplo que das, pero la lógica que utilizas para las comillas es fundamentalmente defectuosa: debes escapar de ellas o usar otro delimitador (comillas simples, por ejemplo) para separar las comillas principales de las comillas menores.

Por ejemplo,

"a", ""b", ""c", "d"", "e""

rendirá malos resultados.

Esto se puede arreglar con otro parche. En lugar de simplemente mantener un verdadero falso, tienes que hacer coincidir las comillas.

Para que coincida con las comillas, debe saber lo que se vio por última vez, lo que lo lleva a un territorio de análisis bastante profundo. Probablemente, en ese momento, querrá asegurarse de que su lenguaje esté bien diseñado, y si es así, puede usar una herramienta de compilación para crear un analizador para usted.

-Adam

Answer 3

Si todos los valores son garantizados a estar entre comillas, busque los valores, no por comas:

("".*?""|"[^"]*") 

Esto se aprovecha del hecho de que "el partido más largo más temprano gana "- busca primero los valores de cotización doble y con una prioridad más baja para los valores cotizados normales.

Si no desea que la cita de cerramiento para formar parte del partido, uso:

"(".*?"|[^"]*)" 

e ir a por el valor en el grupo 1. partido

Como ya he dicho: requisito previo para esto para trabajar es una entrada bien formada con cotizaciones garantizadas o comillas dobles alrededor de cada valor. ¡Los valores vacíos deben ser citados también! Un buen efecto secundario es que no le importa el carácter separador. Comas, TABs, punto y coma, espacios, lo que sea. Todo funcionará.

Answer 4

CSV, cuando se trata de cosas como varias líneas, citas, delimitadores diferentes * etc. - puede ser más complicado de lo que se piensa ... quizás considerar una respuesta pre-laminada? Yo uso this, y funciona muy bien.

* = recordar que algunos sitios utilizan [tab] como el C en CSV ...

Answer 5

FileHelpers para .Net es su amigo.

Answer 6

Hay un muy citado diciendo:

Algunas personas, cuando se enfrentan a un problema , piensan "Yo sé, voy a utilizar expresiones regulares." Ahora tienen dos problemas. (Jamie Zawinski)

Dado que no hay un estándar oficial para archivos CSV (en cambio hay un gran número de estilos ligeramente incompatibles), lo que necesita para asegurarse de que lo que se implementa trajes de los archivos que va a recibir. No tiene sentido implementar nada más elegante que lo que necesita, y estoy seguro de que no necesita expresiones regulares.

Aquí está mi puñalada en un método simple para extraer los términos - básicamente, se realiza un bucle a través de la línea en busca de comas, hacer el seguimiento de si el índice actual está dentro de una cadena o no:

public IEnumerable<string> SplitCSV(string line) 
    { 
     int index = 0; 
     int start = 0; 
     bool inString = false; 

     foreach (char c in line) 
     { 
      switch (c) 
      { 
       case '"': 
        inString = !inString; 
        break; 

       case ',': 
        if (!inString) 
        { 
         yield return line.Substring(start, index - start); 
         start = index + 1; 
        } 
        break; 
      } 
      index++; 
     } 

     if (start < index) 
      yield return line.Substring(start, index - start); 
    } 

salvedad Estándar - código no probado, puede haber errores uno a uno.

Limitaciones

• Las comillas alrededor de un valor que no se eliminan automáticamente.
  Para hacer esto, agregue una marca justo antes de la declaración yield return cerca del final.

• Las comillas simples no son compatibles en la misma forma que las comillas dobles
  Se podría añadir un booleano separada inSingleQuotedString, cambiando el nombre del booleano existente para inDoubleQuotedString y el tratamiento tanto de la misma manera. (No se puede hacer que los existentes booleano hacer doble trabajo porque necesita la cadena que termina con la misma cita que lo inició.)

• espacio en blanco no se elimina automáticamente
  Algunas herramientas de introducir un espacio en blanco alrededor de las comas en CSV archivos para "bonito" el archivo; luego se vuelve difícil decir que el espacio en blanco intencional formatee el espacio en blanco.

Answer 7

Ver el enlace "diversión expresión regular con CSV" en:

http://snippets.dzone.com/posts/show/4430

Answer 8

El analizador Lumenworks CSV (fuente abierta, libre pero necesita un inicio de sesión CodeProject) es, con mucho, el mejor que' ve usado. Le ahorrará tener que escribir la expresión regular y es intuitivo de usar.

Answer 9

Yo usaría FileHelpers si fuera usted. Las expresiones regulares son buenas pero difíciles de leer, especialmente si regresas, después de un tiempo, para una solución rápida.

sólo por el bien de ejercer mi mente, rápida & sucio trabajo Procedimiento en C#:

public static List<string> SplitCSV(string line) 
{ 
    if (string.IsNullOrEmpty(line)) 
     throw new ArgumentException(); 

    List<string> result = new List<string>(); 

    bool inQuote = false; 
    StringBuilder val = new StringBuilder(); 

    // parse line 
    foreach (var t in line.Split(',')) 
    { 
     int count = t.Count(c => c == '"'); 

     if (count > 2 && !inQuote) 
     { 
      inQuote = true; 
      val.Append(t); 
      val.Append(','); 
      continue; 
     } 

     if (count > 2 && inQuote) 
     { 
      inQuote = false; 
      val.Append(t); 
      result.Add(val.ToString()); 
      continue; 
     } 

     if (count == 2 && !inQuote) 
     { 
      result.Add(t); 
      continue; 
     } 

     if (count == 2 && inQuote) 
     { 
      val.Append(t); 
      val.Append(','); 
      continue; 
     } 
    } 

    // remove quotation 
    for (int i = 0; i < result.Count; i++) 
    { 
     string t = result[i]; 
     result[i] = t.Substring(1, t.Length - 2); 
    } 

    return result; 
} 

Answer 10

Acabo de probar su expresión regular en mis code..its funcionan bien para el texto con formato citando .. .

pero se pregunta si podemos analizar por debajo del valor de expresiones regulares ..

 
"First_Bat7679",""NAME","ENAME","FILE"","","","From: "DDD,_Ala%as"@sib.com" 

Busco para el resultado como:

 
'First_Bat7679' 
'"NAME","ENAME","FILE"' 
'' 
'' 
'From: "DDD,_Ala%as"@sib.com' 

Gracias

Answer 11

CSV es un gran ejemplo para la reutilización de código - No importa que uno de los analizadores csv que decide, no elegir el suyo propio. Stop Rolling your own CSV parser

Answer 12

Pruebe CsvHelper (una biblioteca que mantengo) o FastCsvReader. Ambos funcionan bien. CsvHelper también escribe. Como todos los demás han estado diciendo, no hagas lo tuyo. : P

Answer 13

FileHelpers admite campos multilínea.

Se podría analizar archivos como estos:

a,"line 1 
line 2 
line 3" 
b,"line 1 
line 2 
line 3" 

Aquí está la declaración de tipo de datos:

[DelimitedRecord(",")] 
public class MyRecord 
{ 
public string field1; 
[FieldQuoted('"', QuoteMode.OptionalForRead, MultilineMode.AllowForRead)] 
public string field2; 
} 

Aquí es el uso:

static void Main() 
{ 
FileHelperEngine engine = new FileHelperEngine(typeof(MyRecord)); 
MyRecord[] res = engine.ReadFile("file.csv");  
}