Dividir una cadena en comas que no figuran entre comillas dobles con un giro

Question

Hice esta pregunta antes y se cerró porque era un duplicado, lo cual acepto y realmente encontré la respuesta en la pregunta Java: splitting a comma-separated string but ignoring commas in quotes, así que gracias a quien publicó eso.

Pero desde entonces me he encontrado con otro problema. Aparentemente, lo que tengo que hacer es usar "," como mi delimitador cuando hay cero o un número par de comillas dobles, pero también ignorar cualquier "," entre corchetes.

Así lo siguiente:

"Thanks,", "in advance,", "for("the", "help")" 

¿Sería tokenize como:

• Gracias,
• de antemano,
• para ("el", "ayuda")

No estoy seguro de si hay alguna forma de modificar la expresión regular actual I Estoy usando para permitir esto, pero cualquier orientación sería apreciada.

line.split(",(?=([^\"]*\"[^\"]*\")*[^\"]*$)"); 

Answer 1

veces es más fácil para que coincida con lo que usted quiere en vez de lo que no quiere:

String s = "\"Thanks,\", \"in advance,\", \"for(\"the\", \"help\")\""; 
String regex = "\"(\\([^)]*\\)|[^\"])*\""; 
Pattern p = Pattern.compile(regex); 
Matcher m = p.matcher(s); 
while(m.find()) { 
    System.out.println(s.substring(m.start(),m.end())); 
} 

Salida:

"Thanks," 
"in advance," 
"for("the", "help")" 

Si también se tiene que ignorar el cierre de corchetes dentro de las secciones de cotizaciones que están dentro de los corchetes, entonces necesita esto:

String regex = "\"(\\((\"[^\"]*\"|[^)])*\\)|[^\"])*\""; 

Un ejemplo de una cadena que necesita esta segunda versión, más compleja es:

"foo","bar","baz(":-)",":-o")" 

Salida:

"foo" 
"bar" 
"baz(":-)",":-o")" 

Sin embargo, te aconsejo que para cambiar el formato de los datos, si es posible . Esto sería mucho más fácil si usa un formato estándar como XML para almacenar sus tokens.

Answer 2

A home-grown analizador es fácil de escribir.

Por ejemplo, esta gramática antlr se encarga de su ejemplo de entrada sin muchos problemas:

parse 
    : line* 
    ; 

line 
    : Quoted (',' Quoted)* ('\r'? '\n' | EOF) 
    ; 

Quoted 
    : '"' (Atom)* '"' 
    ; 

fragment 
Atom 
    : Parentheses 
    | ~('"' | '\r' | '\n' | '(' | ')') 
    ; 

fragment 
Parentheses 
    : '(' ~('(' | ')' | '\r' | '\n')* ')' 
    ; 

Space 
    : (' ' | '\t') {skip();} 
    ; 

y sería fácil de extender esto a tener citas o paréntesis escapado en cuenta.

Cuando se alimenta el analizador generado por que la gramática de las dos líneas de entrada:

"Thanks,", "in advance,", "for("the", "help")" 
"and(,some,more)","data , here" 

que se analiza como esta:

alt text http://i47.tinypic.com/258otvs.png

Si se tiene en cuenta para usar antlr para esto, Puedo publicar un poco de HOW-TO para obtener un analizador de esa gramática que publiqué, si lo desea.