TSV 파일을 구문 분석하십시오.

Question

TSV 형식의 파일 (탭으로 구분 된 값)을 구문 분석해야합니다. 정규식을 사용하여 파일을 각 줄로 나누지 만 각 줄을 구문 분석 할 때 만족스러운 파일을 찾을 수는 없습니다.

(?<g>("[^"]+")+|[^\t]+) 

하지만 줄에 항목이 2 개 이상 연속 따옴표가있는 경우 작동하지 않습니다 : 은 지금 나는이 왔어요.

파일 형식은 다음과 같습니다. 각 요소는 표로 구분됩니다. 항목에 탭이 있으면 큰 따옴표로 묶습니다. 항목에 큰 따옴표가 포함되어 있으면 두 배가됩니다. 그러나 때로는 요소가 4 개의 이중 인용 부호를 포함하고, 위의 정규 표현식은 요소를 두 개의 다른 것으로 분리합니다.

예 :

"항목", "2", "OK"

올바르게 2 개 요소로 파싱 item1ok : item1ok 및 항목 "2"OK (불필요한 따옴표를 다듬은 후에) :

,515,

item1oK "항목" "" "2oK"

3 개 요소로 해석된다 는, 항목 item1ok 및 "2ok (다시 트리밍 후).

누구나 정규식을이 케이스에 맞게 만드는 방법에 대한 아이디어가 있습니까? 아니면 단순히 TSV를 파싱 할 다른 솔루션이 있습니까? (나는 C#에서 이것을하고있다).

Answer 1

TextFieldParser을 사용할 수 있습니다. 이것은 기술적으로 VB 어셈블리이지만 Microsoft.VisualBasic.FileIO 어셈블리를 참조하여 C#에서도 사용할 수 있습니다.

위 링크의 예는 탭으로 구분 된 파일에서도 사용하고 있습니다.

Answer 2

RegEx를 사용하는 대신 String.Split Method (Char[]) 메서드를 사용해보십시오.

Answer 3

자신의 CSV/TSV 파일 파서 (또는 String.Split)를 작성하는 대신 "Fast CSV Reader"또는 "FileHelpers library"을 사용하는 것이 좋습니다.

저는 첫 번째 문자를 사용하고있어 매우 만족합니다 (예 : 쉼표, 세미콜론, 탭과 같은 구분 문자를 지원합니다).

Answer 4

가 정확하지 그래서뿐만 아니라 구분 기호로 쌌다 도표화를 고려할 것)

txt = 'item1ok\t"item""2""oK"\titem1oK\t"item""""2oK"\tsomething else' 
regex = ''' 
(?:     # definition of a field 
"((?:[^"]|"")*)" # either a double quoted field (allowing consecutive "") 
|     # or 
([^"]*)   # any character except a double quote 
)      # end of field 
(?:$|\t)    # each field followed by a tab (except the last one) 
''' 
r = re.compile(regex, re.X) 
# now find each match, and replace "" by " and remove trailing \t 
# remove also the latest entry in the list (empty string) 
columns = [t[0].replace('""', '"') if t[0] != '' else t[1].strip() for t in r.findall(txt)][:-1] 
print columns 
# prints: ['item1ok', 'item"2"oK', 'item1oK', 'item""2oK', 'something else']