java - CSV 解析以查找相似值

Question

我有两个 CSV 文件。我正在尝试找到类似的列并执行一些操作。

假设 CSV1 的格式如下:

name, created by, last modified date
red-123, tom hanks, 22-09-80
yellow-123, tom tanks, 22-09-87
blue-123, Jerry hanks, 22-09-97

假设 CSV2 的格式如下:

name, username, status
"Tom, Hay", tomhay@stack.com, live
"hanks, tom",tomhanks@stack.com, expired
"tom, tanks", tomtanks@stack.com, live
"Humprey, Jerry", jerry@stack.com, live

输出:如果 CSV 1 创建的列与 CSV 2 中的名称匹配，则新的 CSV 将为

namefromcsv2, createdbyfromcsv1, userid.
"hanks, tom",tom hanks, tomhanks
"tom, tanks", tom tanks, tomtanks.

我尝试下面的方法将名称列的字符检查到包装箱中，以便匹配，然后用正则表达式提取相应的用户ID，我是否使用带有bean的univocity来解析而不是打开csv:

public static Set<Character> stringToCharacterSet(String s) {
    Set<Character> set = new HashSet();
    for (char c : s.toCharArray()) {
        set.add(c);
    }
    return set;
}

public static boolean containsAllChars(String container, String containee) {
    return stringToCharacterSet(container).containsAll(stringToCharacterSet(containee));
}

阅读并匹配

CsvReader doc_meta_data = new CsvReader(prop.getProperty("a_doc_path"));
// CsvReader doc_meta_data1 = new CsvReader(prop.getProperty("b_doc_path"));

doc_meta_data.readHeaders();

while (doc_meta_data.readRecord()) {
    String Name = doc_meta_data.get("Name");
    String Created_By = doc_meta_data.get("Created By");
    System.out.println(containsAllChars(Name, Created_By));
}

Answer 1

如果您使用的是 Java 8+ 并且正在使用 Lists 或 List，您可以执行以下操作:

 public static void main(String args[]) {
     List<String> csv1 = new ArrayList<String>();
     List<String> csv2 = new ArrayList<String>();

     csv1.addAll(Arrays.asList("tom hanks", "tom tanks", "Jerry hanks"));
     csv2.addAll(Arrays.asList("Tom, Hay", "hanks, tom", "tom, tanks", "Humprey, Jerry"));

     csv2.stream().forEach(name -> {
         name = name.replace(",", "");
         if(csv1.contains(name.toLowerCase())) {
             System.out.println("do something with " + name);
         }
     });
 }

根据上面的示例，您可以将匹配的名称添加到第三个 List<Object>并操纵其内容以满足您的要求。我相信比较整个文本比遍历每个字符更容易，并且您还可以处理任何修剪或清理，以确保包含有两个“干净”的值进行比较(替换特殊字符、修剪、双空格等)。