在perl中使用split（）时，如何实现自己的转义序列？

我正在尝试为EDI数据格式编写一个解析器，它只是分隔文本，但分隔符是在文件顶部定义的

本质上，它是一组基于我在代码顶部读取的值的splits（）。 问题是还有一个自定义的“转义字符”，表示我需要忽略以下分隔符

例如，假设*是分隔符，而？是逃跑，我在做类似的事情

use Data::Dumper;
my $delim = "*";
my $escape = "?";
my $edi = "foo*bar*baz*aster?*isk";

my @split = split("\\" . $delim, $edi);
print Dumper(\@split);

我需要它返回“aster*isk”作为最后一个元素

我最初的想法是，在调用split（）函数之前，用一些自定义映射的不可打印ascii序列替换转义字符和后面字符的每个实例，然后使用另一个regexp将它们切换回正确的值

这是可行的，但感觉像一个黑客，并会变得相当丑陋，一旦我做了所有5个不同的潜在定界符。每个分隔符也可能是一个regexp特殊字符，导致在我自己的正则表达式中进行大量转义

有没有办法避免这种情况，可能是通过向我的split（）调用传递一个特殊的regexp

更新：要允许转义字符转义任何字符，包括其本身，而不仅仅是分隔符，需要不同的方法。这里有一个方法：

my @split = $edi =~ /(?:\Q$delim\E|^)((?:\Q$escape\E.|(?!\Q$delim\E).)*+)/gs;
s/\Q$escape$delim\E/$delim/g for @split;

# Process escapes to hide the following character:
$edi =~ s/\Q$escape\E(.)/sprintf '%s%d%s', $escape, ord $1, $escape/esg;

my @split = split( /\Q$delim\E/, $edi);

# Convert escape sequences into the escaped character:
s/\Q$escape\E(\d+)\Q$escape\E/chr $1/eg for @split;

*+

需要perl 5.10+。在此之前，它将是：

/(?:\Q$delim\E|^)((?>(?:\Q$escape\E.|(?!\Q$delim\E).)*))/gs

---

试试。

如果要正确处理转义字符是字段最后一个字符的情况，这有点棘手。这里有一个方法：

my @split = $edi =~ /(?:\Q$delim\E|^)((?:\Q$escape\E.|(?!\Q$delim\E).)*+)/gs;
s/\Q$escape$delim\E/$delim/g for @split;

# Process escapes to hide the following character:
$edi =~ s/\Q$escape\E(.)/sprintf '%s%d%s', $escape, ord $1, $escape/esg;

my @split = split( /\Q$delim\E/, $edi);

# Convert escape sequences into the escaped character:
s/\Q$escape\E(\d+)\Q$escape\E/chr $1/eg for @split;

请注意，这假设转义字符和分隔符都不是数字，但它支持全部Unicode字符。

这里有一个自定义函数——它比ysth的答案长，但我认为它更容易分解成有用的片段（不是一个正则表达式），它还能够处理您要求的多个分隔符

sub split_edi {
  my ($in, %args) = @_;
  die q/Usage: split_edi($input, escape => "#", delims => [ ... ]) /
    unless defined $in and defined $args{escape} and defined $args{delims};

  my $escape = quotemeta $args{escape};
  my $delims = join '|', map quotemeta, @{ $args{delims} };

  my ($cur, @ret);

  while ($in !~ /\G\z/cg) {
    if ($in =~ /\G$escape(.)/mcg) {
      $cur .= $1;
    } elsif ($in =~ /\G(?:$delims)/cg) {
      push @ret, $cur; 
      $cur = '';
    } elsif ($in =~ /\G((?:(?!$delims|$escape).)+)/mcg) {
      $cur .= $1;
    } else {
      die "hobbs can't write parsers";
    }
  }
  push @ret, $cur if defined $cur;
  @ret;
}

第一行是参数解析，根据需要反斜杠转义字符，并构建一个匹配任何分隔符的正则表达式片段

然后是匹配循环：

• 如果我们找到转义，跳过它并捕获以下字符作为输出的文字位，而不是专门处理它
• 如果我们找到任何分隔符，则启动一个新记录
• 否则，捕获字符直到下一个转义符或分隔符
• 当我们到达绳子的末端时停止

这是相当直接的，仍然有相当可靠的性能。就像ysth的正则表达式解决方案一样，它是一种棘轮机制——它不会试图不必要地回溯。如果转义符或任何分隔符是多字符的，则不能保证正确性，尽管我实际上认为它非常正确：）

---

如果输入包含

“？？*”

，该怎么办？这会使星号转义还是不转义？据我所知，这应该只是作为一个文字来阅读？一个非转义星号猜测转义将只在分隔符上使用，而不会在其他字符上使用，并且分隔符将始终不同于转义。您将文本分隔到字段中，基本上是一个xSV文件。在我的问题中，使用Text:：CSV和与转义符和分隔符匹配的选项charsI可能没有足够清楚地说明这一点，但问题是有多个嵌套分隔符，我认为Text:：CSV一次只能处理一个。例如：abc | foo~bar^ alpha~beta | def将是['abc'、['foo'、'bar'、['alpha'、'beta']、'def']；这无法正确处理转义转义字符。e、 例如，它不拆分

'foo？？？*bar'

，但应该拆分为

'foo？'

和

'bar'

；我的$csv=Text:：csv->new（{escape\u char=>'？'，sep\u char=>'*'，allow\u loose\u escapes=>1}）$csv->parse（$edi）；打印转储程序（$csv->字段）；

say for split_edi("foo*bar;baz*aster?*isk", delims => [qw(* ;)], escape => "?");
foo
bar
baz
aster*isk