用于检测csv文件中数字包含逗号的无效行的正则表达式

Question

下面是我的文件中的示例行。每行有3个数字字段。有些数字带有逗号，并被引用。有些行有多余的空逗号（文件是从PDF中提取表格数据输出的），我试图检测并删除有效3字段匹配左侧或右侧多余的空字段

"3,33","4,03","12,23" - valid  
2,,"3,23"             - valid  
,,"3,13",1,6 - invalid - remove first 2 commas   
,1,,"3,987", - invalid - remove comma at beginning and end  

这就是我所拥有的-(([0-9,]*,){3}) 但在努力找出如何匹配可能围绕数字的引号，也可能不围绕数字

基本上，我不清楚如果检测到一个报价，那么如何查找结束报价，如果没有，如何不查找任何结束报价。 谢谢你的帮助

（我正在使用Sublimitext 3进行搜索和替换，但如果需要，我可以使用Python进行搜索和替换。）

Answer 1

如果您使用的是python，我建议您使用csv库：

data = '''"3,33","4,03","12,23"
2,,"3,23"
,,"3,13",1,6
,1,,"3,987",'''.split('\n')
import csv
for row in csv.reader(data):
    print(row)

输出：

['3,33', '4,03', '12,23']
['2', '', '3,23']
['', '', '3,13', '1', '6']
['', '1', '', '3,987', '']

但如果您想使用正则表达式，您可以：

(([0-9]*)|("[0-9,]*"),){3}

使用垂直管道|表示“或”，因此可以是一个数字序列[0-9]*或由引号"[0-9,]*"包围的数字和逗号

Answer 2

您的字段内容可能是：

• 空的
• 整数\d+
• 带引号的十进制数"\d+,\d+"

这可以表示为(|\d+|"\d+,\d+")。您需要其中三个，逗号分隔：

(|\d+|"\d+,\d+"),(|\d+|"\d+,\d+"),(|\d+|"\d+,\d+")

（你可以用(|\d+|"\d+,\d+")(,(|\d+|"\d+,\d+")){2}来处理重复，但是同样的事情重复三次就更容易理解了）

请注意，这将假定最后一个字段为“空”，因为这足以匹配您的定义。因此，我们需要将其锚定到线路的起点和终点：

^(|\d+|"\d+,\d+"),(|\d+|"\d+,\d+"),(|\d+|"\d+,\d+")$

这将仅与有效行匹配

根据您的解释，开头和结尾可能有额外的逗号，但没有其他字符，因此：

^,*(|\d+|"\d+,\d+"),(|\d+|"\d+,\d+"),(|\d+|"\d+,\d+"),*$

<>这与所有的线匹配，但不能给你真正关心的东西，中间的“好”部分。为此，可以使用组（使用括号）。但是，我们已经在使用组，用于|替代方案，因此我们需要添加?:以使它们不被捕获：

^,*(?:|\d+|"\d+,\d+"),(?:|\d+|"\d+,\d+"),(?:|\d+|"\d+,\d+"),*$

现在，您可以将您关心的部分包装在捕获组中，为我们提供最终的regexp：

^,*((?:|\d+|"\d+,\d+"),(?:|\d+|"\d+,\d+"),(?:|\d+|"\d+,\d+")),*$

搜寻及；在regexp模式下，用此regexp替换搜索，用\1替换替换值

如果多个字段为空，则可能存在多个可能的解决方案。如果三个值中的第一个和最后一个值从不为空，则可以相应地调整regexp。如果是，这将选择一组有效值，这些值可能不是您想要的。例如，如果您有：

,,1,"2,3",,

那么,1,"2,3（empty，1，2.3）和1,"2,3",（1，2.3，empty）都是可能的解决方案。默认情况下，您将得到第二个结果，因为*是贪婪的，即第一个,*将尝试“吃”尽可能多的逗号，而不会使匹配失败。您可以添加这样一个问号：,*?使匹配成为“懒惰”或“非贪婪”，那么它只需要使用所需数量的逗号（产生第一个结果）