首页 / 知识

寻找正则表达式以大字符串查找带引号的换行符(适用于C＃)

2023-04-13 12:57:00

Looking for Regex to find quoted newlines in a big string (for C#)

我有一个很大的字符串(我称它为CSV文件，尽管实际上不是一个，但现在会更简单)，我必须在C＃代码中进行解析。
解析过程的第一步是通过仅使用StreamReader对象并调用ReadLine直到文件通过，将文件分成几行。但是，任何给定的行都可能包含带引号(单引号)的文字和嵌入的换行符。我需要找到这些换行符，并将它们临时转换为其他类型的令牌或转义序列，直到将文件拆分成行数组为止。然后可以将其改回。

输入数据示例：

1
2
3

1,2,10,99,'Some text without a newline', true, false, 90
2,1,11,98,'This text has an embedded newline
and continues here', true, true, 90

我可以使用string.IndexOf来找到引用的部分并在其中查找换行符，从而编写完成此操作所需的所有C＃代码，但我认为正则表达式可能是一个更好的选择(即，现在我有两个问题)

使用C＃2.0迭代器使完成此类工作的状态机变得容易。希望这是我将要编写的最后一个CSV解析器。整个文件被视为一串可枚举的字符串，即行/列。 IEnumerable很棒，因为它可以由LINQ运算符处理。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64

public class CsvParser
{
public char FieldDelimiter { get; set; }

public CsvParser()
: this(',')
{
}

public CsvParser(char fieldDelimiter)
{
FieldDelimiter = fieldDelimiter;
}

public IEnumerable<IEnumerable<string>> Parse(string text)
{
return Parse(new StringReader(text));
}
public IEnumerable<IEnumerable<string>> Parse(TextReader reader)
{
while (reader.Peek() != -1)
yield return parseLine(reader);
}

IEnumerable<string> parseLine(TextReader reader)
{
bool insideQuotes = false;
StringBuilder item = new StringBuilder();

while (reader.Peek() != -1)
{
char ch = (char)reader.Read();
char? nextCh = reader.Peek() > -1 ? (char)reader.Peek() : (char?)null;

if (!insideQuotes && ch == FieldDelimiter)
{
yield return item.ToString();
item.Length = 0;
}
else if (!insideQuotes && ch == '\
' && nextCh == '\
') //CRLF
{
reader.Read(); // skip LF
break;
}
else if (!insideQuotes && ch == '\
') //LF for *nix-style line endings
break;
else if (ch == '"' && nextCh == '"') // escaped quotes""
{
item.Append('"');
reader.Read(); // skip next"
}
else if (ch == '"')
insideQuotes = !insideQuotes;
else
item.Append(ch);
}
// last one
yield return item.ToString();
}

}

请注意，逐字符读取文件，其代码决定何时将换行符视为行定界符或带引号的字符串的一部分。

由于这不是真正的CSV文件，因此它具有任何形式的架构吗？

从您的示例中，您看起来像：
int，int，int，int，string，bool，bool，int

这样就构成了您的记录/对象。

假设您的数据格式正确(我对您的消息来源了解不足，不足以知道此假设的有效性)；你可以：

阅读您的台词。

使用状态机来解析您的数据。

如果您的行结束，并且您正在解析字符串，请阅读下一行并继续进行解析。

如果可能，我会避免使用正则表达式。

如果将整个文件放入一个变量，然后根据未引用的换行符将其拆分怎么办？

编辑：对不起，我误解了您的帖子。如果您正在寻找正则表达式，那么这里是一个：