C++ CSV 在引号内用逗号解析

Question

我正在构建一个 C++ CSV 数据解析器。我正在尝试访问文件的第一列和第十五列，并使用 getline 命令将它们读入两个数组。例如:

for(int j=0;j<i;j++)
{
    getline(posts2,postIDs[j],',');
    for(int k=0;k<14;k++)
    {
        getline(posts2,tossout,',');
    }
    getline(posts2,answerIDs[j],',');
    getline(posts2,tossout,'\r');

但是，在第一列和第十五列之间是一个用引号引起来的列，其中包含各种逗号和松散的引号。例如:

...,"abc, defghijk. "Lmnopqrs, "tuv,"" wxyz.",... <

避免此列的最佳方法是什么？我无法理解它，因为它里面有引号和逗号。遇到引用后，我是否应该逐个字符地阅读引用的垃圾，直到找到 ", 的顺序？

此外，我还看到了其他解决方案，但它们都是 Windows/Visual Studio 独有的。我正在运行 Mac OSX 版本。 10.8.3 与 Xcode 3.2.3。

提前致谢!画画

Answer 1

CSV 格式没有正式的标准，但我们首先要注意你引用的那篇丑陋的专栏:

"abc, defghijk. "Lmnopqrs, "tuv,"" wxyz.",

不符合被认为是 Basic Rules 的内容的 CSV，因为其中两个是:-

• 1) 内嵌逗号的字段必须用引号引起来。

• 2) 每个嵌入的双引号字符必须由一对双引号字符表示。

如果问题列遵守规则 1)，则它不遵守规则 2)。但是我们可以这样解释为了遵守规则 1) - 所以我们可以说它在哪里结束 - 如果我们平衡双引号，例如

[abc, defghijk. [Lmnopqrs, ]tuv,[] wxyz.],

平衡的最外层引号将列括起来。平衡的内部报价可能只是缺少任何其他内部迹象，除了平衡使它们成为内部。

我们想要一个将此文本解析为一列的规则，与规则 1 一致)，并且还将解析列确实也遵守规则 2)。刚刚展示的平衡表明了这一点可以做到，因为遵守这两个规则的列必然是也可以平衡。

建议的规则是:

• 列运行到前面有 0 个双引号或前面是偶数个双引号中的最后一个。

如果逗号之前有偶数个双引号，那么我们知道我们可以至少以一种方式平衡封闭引号和其余部分。

您正在考虑的更简单的规则:

After running into a quote, should I read the quoted junk character-by-character until I find ", in sequence?

如果遇到某些确实遵守规则 2 的列，则会失败，例如

"Super, ""luxurious"", truck",

更简单的规则将终止 ""luxurious"" 之后的列.但由于此列符合规则 2)，相邻的双引号被“转义”双引号引号，没有定界意义。另一方面建议规则仍然正确解析该列，在 truck" 之后终止它.

这是一个演示程序，其中函数 get_csv_column解析列根据建议的规则:

#include <iostream>
#include <fstream>
#include <cstdlib>  

using namespace std;

/*
    Assume `in` is positioned at start of column.
    Accumulates chars from `in` as long as `in` is good
    until either:-
        - Have consumed a comma preceded by 0 quotes,or
        - Have consumed a comma immediately preceded by
        the last of an even number of quotes.
*/
std::string get_csv_column(ifstream & in)
{
    std::string col;
    unsigned quotes = 0;
    char prev = 0;
    bool finis = false;
    for (int ch; !finis && (ch = in.get()) != EOF; ) {
        switch(ch) {
        case '"':
            ++quotes;
            break;
        case ',':
            if (quotes == 0 || (prev == '"' && (quotes & 1) == 0)) {
                finis = true;
            }
            break;
        default:;
        }
        col += prev = ch;
    }
    return col;
}

int main()
{
    ifstream in("csv.txt");
    if (!in) {
        cout << "Open error :(" << endl;
        exit(EXIT_FAILURE);
    }
    for (std::string col; in; ) {
        col = get_csv_column(in),
        cout << "<[" << col << "]>" << std::endl;
    }
    if (!in && !in.eof()) {
        cout << "Read error :(" << endl;
        exit(EXIT_FAILURE);
    }
    exit(EXIT_SUCCESS);
}

它包含了 <[...]> 中的每一列，不打折换行符，并且包括每列的终端“，”:

文件csv.txt是:

...,"abc, defghijk. "Lmnopqrs, "tuv,"" wxyz.",...,
",","",
Year,Make,Model,Description,Price,
1997,Ford,E350,"Super, ""luxurious"", truck",
1997,Ford,E350,"Super, ""luxurious"" truck",
1997,Ford,E350,"ac, abs, moon",3000.00,
1999,Chevy,"Venture ""Extended Edition""","",4900.00,
1999,Chevy,"Venture ""Extended Edition, Very Large""",,5000.00,
1996,Jeep,Grand Cherokee,"MUST SELL!
air, moon roof, loaded",4799.00,

输出是:

<[...,]>
<["abc, defghijk. "Lmnopqrs, "tuv,"" wxyz.",]>
<[...,]>
<[
",",]>
<["",]>
<[
Year,]>
<[Make,]>
<[Model,]>
<[Description,]>
<[Price,]>
<[
1997,]>
<[Ford,]>
<[E350,]>
<["Super, ""luxurious"", truck",]>
<[
1997,]>
<[Ford,]>
<[E350,]>
<["Super, ""luxurious"" truck",]>
<[
1997,]>
<[Ford,]>
<[E350,]>
<["ac, abs, moon",]>
<[3000.00,]>
<[
1999,]>
<[Chevy,]>
<["Venture ""Extended Edition""",]>
<["",]>
<[4900.00,]>
<[
1999,]>
<[Chevy,]>
<["Venture ""Extended Edition, Very Large""",]>
<[,]>
<[5000.00,]>
<[
1996,]>
<[Jeep,]>
<[Grand Cherokee,]>
<["MUST SELL!
air, moon roof, loaded",]>
<[4799.00]>