Regex 什么'；使用scala拆分这行的合适正则表达式是什么？

我正在尝试拆分来自CSV文件的这一行，以从这一行（示例）中获得不同的匹配组（文件有大约750k行）：

1919年，“世界末日”(via@annabosch)玛格丽特·撒切尔（86岁）；艾尔·恩埃尔·帕克：，P，协议

正如你所看到的，这行有四个主要部分，id，自由文本，情绪，选项。另外，内容部分有很多字符（La dama de hierro…），我不知道如何构建一个正确的正则表达式来获得如下内容：（id，txt，sent，opt）

到目前为止，我所尝试的：

val fullRegex = """(\d+),(.+?),(N|P|NEU|NONE)(,\W+|;\W+)re?""".r

---

对于某些行有效，但对于其他行无效。

正如布鲁诺·格里德（Bruno Grieder）在对问题的评论中指出的那样，这可以更有力地处理

如果这不是一个格式良好的CSV文件（也就是说，包含引号的字段、转义字段值中的引号等），另一种方法是认识到第一个字段确实为您提供了ID，最后两个字段确实为您提供了情感和选项。其他内容都是自由文本，因此行的结构相当简单

当然，如果文件确实是格式良好的CSV，请使用为此目的构建的库

假设这不是格式良好的CSV，首先用逗号分割，将第一个和最后两个字段放入各自的变量中，并使用逗号连接其余字段以恢复文本

我不太懂Scala，所以代码相当原始。欢迎：

val line = """919191911919,"La dama de hierro descubrió la ternura".(via@annabosch) Margaret Thatcher (86 años); ayer en el parque: http://host.com/gm2EEXqn ,P,AGREEMENT"""

val id :: rest = line.split(",").toList
val text = rest.slice(0, rest.size - 2).mkString(",")
val sentiment = rest(rest.size - 2);
val option = rest.last;

for (x <- List(id, text, sentiment, option))
  println(x)    

这是您将获得的输出：

1 this is some text with one, two, three, and four commas (,) 7 8 1. 这是一些带有一、二、三和四个逗号（，）的文本 7.

---

8如果确定文本用双引号括起来，可以先替换双引号内的所有逗号，然后在逗号处拆分，然后将逗号放回原处。此解决方案的缺点是，您需要使用保证不在文件中的Unicode字符

object CSVFixer {

  def main(args: Array[String]) {
    split(line) foreach println
  }

  val line = """919191911919,"La dama de hierro descubrió la ternura".(via@annabosch) Margaret Thatcher (86 años); ayer en el parque: http://host.com/gm2EEXqn ,P,AGREEMENT"""

  private val AltSep = '\u0080' // Unicode char that we reasonably expect to not have in the input
  val fieldSeparator = ","

  private[this] def unSep(s: String) = {
    val SepChr = fieldSeparator.charAt(0)
    var inQS = false
    for (c <- s) yield {
      c match {
        case '"' =>
          inQS = !inQS; c
        case SepChr if inQS =>
          AltSep
        case _ => c
      }
    }
  }

  def split(line: String) =
    unSep(line).split(fieldSeparator, -1) // do not discard trailing empty strings
      .map(_.replace(AltSep, fieldSeparator.charAt(0)))
      .map(_.replaceAll("\"", ""))

}

对象CSVFixer{
def main（参数：数组[字符串]）{
分割（行）foreach println
}
val line=“”“919年”，第二天(via@annabosch)玛格丽特·撒切尔（86岁）；艾尔·恩帕尔克：http://host.com/gm2EEXqn ，P，协议“”
private val AltSep='\u0080'//Unicode字符，我们有理由认为输入中不包含该字符
val fieldSeparator=“，”
private[this]def unsp（s:String）={
val SepChr=fieldSeparator.charAt（0）
var inQS=false
对于（c）
inQS=！inQS；c
如果inQS=>
阿尔塞普
案例uz=>c
}
}
}
def拆分（行：字符串）=
unsp（line）.split（fieldSeparator，-1）//不要丢弃尾随的空字符串
.map（u.replace（AltSep，fieldSeparator.charAt（0）））
.map（\u0.replaceAll（“\”，“））
}

正则表达式功能强大，但有时很难正确处理并涵盖所有可能的输入格式。在这种情况下，可能不需要它

val in = """919191911919,"La dama de hierro descubrió la ternura".(via@annabosch) Margaret Thatcher (86 años); ayer en el parque: http://host.com/gm2EEXqn ,P,AGREEMENT"""
val inSplit = in.split(",")

val id   = inSplit.head                          // String = 919191911919
val txt  = inSplit.tail.init.init.mkString(",")  // free form text
val sent = inSplit.init.last                     // String = P
val opt  = inSplit.last                          // String = AGREEMENT

---

最简单的方法是

.splitBy（“，”）

，但是如果你有嵌套的逗号，它将不起作用。我建议你使用这样的方式：事实上@nmat，内容是自由文本，我不能期望它不包含逗号或任何其他字符。我将检查你提供的链接。任何与此regexp字符串不匹配的示例？假设字段数是固定的，我会检查。e、 您可以保证字段1、3、4中没有逗号，只需向前扫描到第一个逗号即可得到第一个字段，然后从末尾向后扫描到前两个逗号即可得到最后两个字段。第二个字段就是between@JorgeCespedes :)不是所有的问题都能用Regex或jQueryYes解决。这是我的建议。Regex并不是一根魔杖，它最适合所有的事情和工作anything@nmat是的，会的，看例子。@BrunoGrieder我在帖子下面看到了你最初的评论，我最初没有看到。

object CSVFixer {

  def main(args: Array[String]) {
    split(line) foreach println
  }

  val line = """919191911919,"La dama de hierro descubrió la ternura".(via@annabosch) Margaret Thatcher (86 años); ayer en el parque: http://host.com/gm2EEXqn ,P,AGREEMENT"""

  private val AltSep = '\u0080' // Unicode char that we reasonably expect to not have in the input
  val fieldSeparator = ","

  private[this] def unSep(s: String) = {
    val SepChr = fieldSeparator.charAt(0)
    var inQS = false
    for (c <- s) yield {
      c match {
        case '"' =>
          inQS = !inQS; c
        case SepChr if inQS =>
          AltSep
        case _ => c
      }
    }
  }

  def split(line: String) =
    unSep(line).split(fieldSeparator, -1) // do not discard trailing empty strings
      .map(_.replace(AltSep, fieldSeparator.charAt(0)))
      .map(_.replaceAll("\"", ""))

}

val in = """919191911919,"La dama de hierro descubrió la ternura".(via@annabosch) Margaret Thatcher (86 años); ayer en el parque: http://host.com/gm2EEXqn ,P,AGREEMENT"""
val inSplit = in.split(",")

val id   = inSplit.head                          // String = 919191911919
val txt  = inSplit.tail.init.init.mkString(",")  // free form text
val sent = inSplit.init.last                     // String = P
val opt  = inSplit.last                          // String = AGREEMENT