CSVデータを正規表現で抜き出せません・・・。

Question

お疲れ様です。初投稿になります。
どうぞ宜しくお願い致します。

CVSデータ（囲い文字："（ダブルコーテーション））を正規表現でマッチングさせ、抜き出そうと考えています。
エスケープ文字を以下のように設定しています。

・""（ダブルコーテーション * 2）　⇒　"（ダブルコーテーション）
・"（円記号 + ダブルコーテーション）　⇒　"（ダブルコーテーション）
・\（円記号 * 2）　⇒　\（円記号）

例えば・・・

"A",""",BB,"",",CC,\,DD""","EEEE","",

ですと、「"A"」「""",BB,"",",CC,\,DD"""」「"EEEE"」「""」と取れる想定になります。

特に2番目の「""",BB,"",",CC,\,DD"""」は、

「"""（←escape）,BB,""（←escape）,"（←escape）,CC,\（←escape）,DD""（←escape）"」

という想定です。

PHP関数ではエスケープ文字の問題により取得しきれず、自力での取得を行っております。
私が考えた正規表現は「"[^"]*((""|\")[^"]*)*[^\]",|"",」となりますが、カンマが入り乱れる上記パターンを満たすことができません。

これは、正規表現での解決は不可能でしょうか？

何日も解決できず、困っています・・・。
是非、皆様のお力添えのほど、宜しくお願い致します。

PS.
このサイトで動作確認を行っておりました。
参考になれば幸いです。

http://www.rider-n.sakura.ne.jp/regexp/regexp.php

yuu_x · Accepted Answer

> 正規表現で
(?:"((?:""|\"|[^"])*)"|([^,]*))(?:,|$)(?:"((?:""|\\"|[^"])*)"|((?:[^,]|\\,)*))(?:,|$)
# 全て検証したわけじゃないので抜けがあるかもしれない。

ちなみに、PHP には fgetcsv あるいは str_getcsv(PHP 5.3+) が用意されている。ただし、これら関数は、解析エラーを吐き出さないため、自前で解析というのも懸命な判断かもしれない。

hogehoge78 · Answer

yuu_xさんに指摘されたので、追記。

fgetcsv関数に関することはすでに、No.1と、No.2で回答がされてますので、触れませんでした。
当然、fgetcsvが使用可能であれば、それを使って処理した方がいいです。
（fgetcsvを使って文字化けがする等、環境やPHPのバージョンによって問題が現れる可能性がありますが。）

で、それを使用したくない何らかの理由がある場合に、ユーザ関数等つくってやってみると思いますが、
そこに複雑な一つの正規表現で表現するのであれば、PHPスクリプトで書いたほうがやりやすいのではないか、
というのが回答の意図です。

yuu_x · Answer

> 3
いあ、それ使うくらいなら、既存の関数のほうが断然いい。（早い遅いの問題でなく）
既存の関数は、csv の正確さまでは検証しないといいたかっただけ。

加えて、この点は質問者も同じ事をしているが、エスケープなるものを導入したせいで扱いにくくもある（しかし、エスケープ文字が省略できないのには納得がいかないよな。phpMyAdmin も同じ事をしてくれているため結局手書きで流し込むことになる）。RFC4180 にはそんなものは存在しない。

hogehoge78 · Answer

正規表現を使わなくても自前でパースするのはそこまで大変ではないと思いますよ。
<?php

$fp = fopen('test.txt', 'r');

while($row = my_fgetcsv($fp)){
var_dump($row);
}

fclose($fp);

function my_fgetcsv($fp, $size=4096){
$result = "";
$cnt = 0;
while($row = fgets($fp, $size)){
$result .= $row;
$buff = str_replace('\"', '', $row);
$buff = str_replace('""', '', $row);

$cnt += substr_count($buff, '"');

if($cnt % 2 == 0){
break;
}
}
return my_csv_explode($result);
}

function my_csv_explode($line){

$length = strlen($line);
$in_block = false;
$before_escape = 0;
$data = "";
for($i=0; $i<$length; $i++){
$check = $line[$i];

if($in_block === false && $check == '"'){
$in_block = true;
continue;
}

if($before_escape === 0){
if($check == '"'){
$before_escape = 1;
continue;
}elseif($check == '\'){
$before_escape = 2;
continue;
}
}

if($before_escape === 1 || $before_escape === 2){
if($check == '"'){
$data .= '"';
}elseif($before_escape === 2){
if($check == '\'){
$data .= $check;
}else{
$data .= '\' . $check;
}
}elseif($before_escape === 1 && $check === ','){
$results[] = $data;
$data = "";
$in_block = false;
$before_escape = 0;
continue;
}else{
$data .= $check;
}
$before_escape = 0;
continue;
}

if($in_block === true && $check == '"'){
if($line[++$i] === ','){
$results[] = $data;
$data = "";
$in_block = false;
continue;
}else{
trigger_error('csv syntax error. line data:'.$line, E_USER_ERROR);
}
}

if($in_block === false && $check == ','){
$results[] = $data;
$data = "";
continue;
}

if($in_block === false && $check == "
"){
$results[] = $data;
$data = "";
continue;
}

if($in_block === false && $check == ""){
$results[] = $data;
$data = "";
if($line[++$i] != "
"){
$i--;
}
continue;
}

$data .= $check;
}

if(!empty($data)){
$results[] = $data;
}

return $results;
}

?>
速度は保証しませんが。

shiren2 · Answer

仰っている意味がよくわからないのですが…。
PHPの標準関数（fgetcsv）で以下のような出力が得られましたが、それとは違うのでしょうか。

<?php
　$fp = fopen("log.csv", "r");
　while($array = fgetcsv($fp)){
　　var_dump($array);
　}
?>

array(5) {
　[0]=>
　string(1) "A"
　[1]=>
　string(19) "",BB,",",CC,\,DD""
　[2]=>
　string(4) "EEEE"
　[3]=>
　string(0) ""
　[4]=>
　string(0) ""
}

CSVデータを正規表現で抜き出せません・・・。

> 正規表現で

yuu_xさんに指摘されたので、追記。

> 3

正規表現を使わなくても自前でパースするのはそこまで大変ではないと思いますよ。

仰っている意味がよくわからないのですが…。

関連するカテゴリからQ&Aを探す

デイリーランキングこのカテゴリの人気デイリーQ&Aランキング

マンスリーランキングこのカテゴリの人気マンスリーQ&Aランキング