Regex para dividir una cadena delimitada por | cuando no está encerrado entre comillas dobles

Question

Necesito una expresión regular para contar el número de columnas en una cadena delimitada por tuberías en java. Los datos de la columna siempre estarán entre comillas dobles o estarán vacíos.

por ejemplo:

"1234"|"Name"||"Some description with ||| in it"|"Last Column" 

Lo anterior debe ser contado como 5 columnas incluyendo una columna vacía después de la columna "Nombre".

Gracias

Answer 1

Ésta es una forma de hacerlo:

String input = 
    "\"1234\"|\"Name\"||\"Some description with ||| in it\"|\"Last Column\""; 
// \_______/ \______/\/\_________________________________/ \_____________/  
//  1  2 3     4       5 

int cols = input.replaceAll("\"[^\"]*\"", "") // remove "..." 
       .replaceAll("[^|]", "")  // remove anything else than | 
       .length() + 1;     // Count the remaining |, add 1 

System.out.println(cols); // 5 

OMI no es muy robusta sin embargo. No recomendaría usar expresiones regulares si planea manejar citas escapadas, por ejemplo.

Answer 2

Levemente mejor las expresiones en aioobe's answer:

int cols = input.replaceAll("\"(?:[^\"\\]+|\\.)*\"|[^|]+", "") 
       .length() + 1; 

Maneja escapa entre comillas, y utiliza una sola expresión para eliminar todo excepto los delimitadores.

Answer 3

Aquí hay una expresión regular que utilicé hace un tiempo que también trata con citas escapadas Y delimitadores escapados. Probablemente sea excesivo para sus requisitos (columnas de conteo) pero tal vez lo ayude a usted u otra persona en el futuro con su análisis sintáctico.

(?<=^|(?<!\\)\|)(\".*?(?<=[^\\])\"|.*?(?<!\\(?=\|))(?=")?|)(?=\||$) 

and broken down as: 
(?<=^|(?<!\\)\|)    // look behind to make sure the token starts with the start anchor (first token) or a delimiter (but not an escaped delimiter) 
(       // start of capture group 1 
    \".*?(?<=[^\\])\"   // a token bounded by quotes 
    |       // OR 
    .*?(?<!\\(?=\|))(?=")?  // a token not bounded by quotes, any characters up to the delimiter (unless escaped) 
    |       // OR 
          // empty token 
)       // end of capture group 1 
(?=\||$)      // look ahead to make sure the token is followed by either a delimiter or the end anchor (last token) 

when you actually use it it'll have to be escaped as: 
(?<=^|(?<!\\\\)\\|)(\\\".*?(?<=[^\\\\])\\\"|.*?(?<!\\\\(?=\\|))(?=\")?|)(?=\\||$) 

Es complicado, pero no hay método para esta locura: Otras expresiones regulares que googled caerían sobre si una columna al principio o al final de la línea estaba vacía, cotizaciones delimitados estaban en lugares extraños, la línea o la columna comenzó o finalizó con un delimitador que se escapó, y un montón de otros escenarios de borde marginal.

El hecho de que esté utilizando una tubería como delimitador hace que esta expresión regular sea aún más difícil de leer/comprender. Un consejo es cuando ves un tubo en sí mismo "|", es un OR condicional en expresiones regulares, y cuando se escapó "\ |", es tu delimitador.