正则表达式检测 csv 文件中包含逗号的数字的无效行
Regex to detect invalid rows in csv file with numbers containing commas
下面是我文件中的示例行。每行有 3 个数字字段。有些数字有逗号并被引用。有些行有多余的逗号（文件是从 pdf 中提取表格数据输出的）我正在尝试检测并删除有效的 3 字段匹配左侧或右侧的多余空字段。
"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
这就是我的 - (([0-9,]*,){3})
但是正在努力找出如何匹配可能包含或不包含数字的引号。
基本上我不清楚如果检测到报价然后如何寻找结束报价，如果没有，则不寻找任何结束报价。
感谢您的帮助！
（我正在使用 sublimetext 3 进行搜索和替换，但如果需要，我可以在 Python 中进行。）
如果您使用 python，我建议使用 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', '']
但是如果你想做一个正则表达式，你可以：
(([0-9]*)|("[0-9,]*"),){3}
使用垂直管道 |对于“或”，所以要么是数字序列 [0-9]*，要么是用引号括起来的数字和逗号 "[0-9,]*".
看来您的字段内容可能是：
- 空
- 一个整数
\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，以逗号分隔：
(|\d+|"\d+,\d+"),(|\d+|"\d+,\d+"),(|\d+|"\d+,\d+")
（你可以使用 (|\d+|"\d+,\d+")(,(|\d+|"\d+,\d+")){2} 来搞乱重复，但同样的事情重复三次更容易理解）。
请注意，这只是假设最后一个字段为“空”，因为这足以符合您的定义。所以我们需要把它锚定到行首和行尾：
^(|\d+|"\d+,\d+"),(|\d+|"\d+,\d+"),(|\d+|"\d+,\d+")$
这将只匹配有效行。
根据你的解释，开头和结尾可能会有多余的逗号，但没有其他字符，所以应该是：
^,*(|\d+|"\d+,\d+"),(|\d+|"\d+,\d+"),(|\d+|"\d+,\d+"),*$
这现在匹配所有行，但没有给您真正关心的内容，即中间的“好”部分。为此，您可以使用一个组（使用括号）。不过，我们已经在使用组，对于 | 替代方案，因此我们需要添加 ?: 以使它们成为非捕获：
^,*(?:|\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，为我们提供最终的正则表达式：
^,*((?:|\d+|"\d+,\d+"),(?:|\d+|"\d+,\d+"),(?:|\d+|"\d+,\d+")),*$
在正则表达式模式下搜索和替换，使用此正则表达式进行搜索，</code> 用于替换值。</p>
<p>如果多个字段为空，则可能有多种可能的解决方案。如果您的三个值中的第一个和最后一个值永远不会为空，您可以相应地调整正则表达式。如果是，这将选择 <em>one</em> 一组有效值，这可能不是您想要的。例如，如果您有：</p>
<pre><code>,,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，您将获得第二个结果，因为 * 是贪心的，即第一个 ,* 将尝试“吃掉”尽可能多的逗号而不会使匹配失败。您可以像这样添加一个问号：,*? 使匹配“懒惰”或“非贪婪”，然后它只会根据需要使用尽可能多的逗号（产生第一个结果）。
下面是我文件中的示例行。每行有 3 个数字字段。有些数字有逗号并被引用。有些行有多余的逗号（文件是从 pdf 中提取表格数据输出的）我正在尝试检测并删除有效的 3 字段匹配左侧或右侧的多余空字段。
"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
这就是我的 - (([0-9,]*,){3})
但是正在努力找出如何匹配可能包含或不包含数字的引号。
基本上我不清楚如果检测到报价然后如何寻找结束报价，如果没有，则不寻找任何结束报价。 感谢您的帮助！
（我正在使用 sublimetext 3 进行搜索和替换，但如果需要，我可以在 Python 中进行。）
如果您使用 python，我建议使用 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', '']
但是如果你想做一个正则表达式，你可以：
(([0-9]*)|("[0-9,]*"),){3}
使用垂直管道 |对于“或”，所以要么是数字序列 [0-9]*，要么是用引号括起来的数字和逗号 "[0-9,]*".
看来您的字段内容可能是：
- 空
- 一个整数
\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，以逗号分隔：
(|\d+|"\d+,\d+"),(|\d+|"\d+,\d+"),(|\d+|"\d+,\d+")
（你可以使用 (|\d+|"\d+,\d+")(,(|\d+|"\d+,\d+")){2} 来搞乱重复，但同样的事情重复三次更容易理解）。
请注意，这只是假设最后一个字段为“空”，因为这足以符合您的定义。所以我们需要把它锚定到行首和行尾：
^(|\d+|"\d+,\d+"),(|\d+|"\d+,\d+"),(|\d+|"\d+,\d+")$
这将只匹配有效行。
根据你的解释，开头和结尾可能会有多余的逗号，但没有其他字符，所以应该是：
^,*(|\d+|"\d+,\d+"),(|\d+|"\d+,\d+"),(|\d+|"\d+,\d+"),*$
这现在匹配所有行，但没有给您真正关心的内容，即中间的“好”部分。为此，您可以使用一个组（使用括号）。不过，我们已经在使用组，对于 | 替代方案，因此我们需要添加 ?: 以使它们成为非捕获：
^,*(?:|\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，为我们提供最终的正则表达式：
^,*((?:|\d+|"\d+,\d+"),(?:|\d+|"\d+,\d+"),(?:|\d+|"\d+,\d+")),*$
在正则表达式模式下搜索和替换，使用此正则表达式进行搜索，</code> 用于替换值。</p>
<p>如果多个字段为空，则可能有多种可能的解决方案。如果您的三个值中的第一个和最后一个值永远不会为空，您可以相应地调整正则表达式。如果是，这将选择 <em>one</em> 一组有效值，这可能不是您想要的。例如，如果您有：</p>
<pre><code>,,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，您将获得第二个结果，因为 * 是贪心的，即第一个 ,* 将尝试“吃掉”尽可能多的逗号而不会使匹配失败。您可以像这样添加一个问号：,*? 使匹配“懒惰”或“非贪婪”，然后它只会根据需要使用尽可能多的逗号（产生第一个结果）。