Remplacer les guillemets dans la chaîne encapsulée par guillemets à l'aide d'expressions régulières Perl

Avec Perl 5.14 et plus récent, vous pouvez utiliser

perl -pi.bak -e 's/(?:^|\|)(")?\K(.*?)(?=\1(?:$|\|))/$2=~s#"|(`)#`$1#gr/ge' test.txt

Voir le démo regex et une démo en ligne .

Le point ici est que vous faites correspondre les champs avec le premier regex, puis vous traitez les guillemets doubles et les backticks en utilisant le deuxième regex exécuté sur la partie de correspondance.

Détails

• (?: ^ | \ |) - correspond au début d'une chaîne ou |
• (")? - un groupe 1 facultatif correspondant à un "
• \ K - opérateur de réinitialisation de correspondance supprimant tout le texte du tampon de correspondance actuel
• (. *?) - Groupe 2: 0+ caractères autres que les caractères de saut de ligne
• (? = \ 1 (?: $ | \ |)) - une anticipation positive qui s'assure qu'il y a la même valeur que dans le groupe 1, puis la fin de la chaîne ou | immédiatement à droite de l'emplacement actuel.

Ainsi, le groupe 2 est le contenu de la cellule, sans guillemets doubles. $ 2 = ~ s # "| () # $ 1 # gr remplace tout " par ` et duplique tous ceux trouvés backticks littéraux dans la valeur du groupe 2 (voir cette démo regex ). Le motif "| (`) correspond à un " ou à un backtick (capturant ce dernier dans le groupe 1) et le ` $ 1 remplace la correspondance par un backtick et le contenu du groupe 1.

use warnings;
use strict;
use feature 'say';

use Text::CSV;

my $file = shift || 'data.txt';
my $outfile = 'new_' . $file;

my $csv = Text::CSV->new( { binary => 1, sep_char => '|', 
    allow_loose_quotes => 1, escape_char => '',     # quotes inside fields
    always_quote => 1                               # output as desired
} ) or die "Can't do CSV: ", Text::CSV->error_diag;

open my $fh,     '<', $file    or die "Can't open $file: $!";
open my $out_fh, '>', $outfile or die "Can't open $outfile: $!";

while (my $row = $csv->getline($fh)) {
    s/`/``/g for @$row;
    tr/"/`/  for @$row;
    $csv->say($out_fh, $row);
}

L'option -a permet de "diviser automatiquement" chaque ligne Ainsi, dans le programme, les jetons de ligne sont disponibles dans @F , et le -F spécifie le modèle à fractionner (autre que celui par défaut). Le -l gère les nouvelles lignes. Voir Commutateurs de commande dans perlrun .

Dans le map les " englobants sont supprimés et tous les backticks existants doublés; puis " autour des motifs sont modifiés, globalement. Ensuite, les guillemets sont remis et la liste retournée join -ed. Le | dans la jointure est échappé afin de le glisser à travers le shell vers le programme Perl; si cela entre dans un script (au lieu d'un one-liner), ce que je recommande toujours, changez ce \ | en |.

Je ne connais pas les données typiques et les cas de bord possibles concernant les citations, mais s'il peut y avoir des citations lâches (simples, non appariées), ce qui précède aura des problèmes et peut produire une sortie erronée, et silencieusement; tout comme n'importe quelle procédure qui attend des devis par paires, sans une analyse extrêmement détaillée.

Il peut être globalement plus sûr de simplement remplacer tous les " (autres que ceux qui les entourent), par

map { s/^"|"$//g; s/`/``/g; s/"/`/g; qq("$_") }

(ou avec tr au lieu de regex s /// g ). Cela ajoute également une certaine efficacité.

Une autre façon d'accéder au "La viande" des données consiste à utiliser Text :: CSV , ce qui permet un délimiteur autre que la virgule (par défaut) et absorbe les guillemets. Avoir des guillemets à l'intérieur des champs est considéré comme un mauvais CSV, mais le module peut également analyser cela très bien, avec les choix ci-dessous.

perl -F"\|" -wlanE'
    say join "\|", 
        map { s/^"|"$//g; s/`/``/g; s/"([^"]+)"/`$1`/g; qq("$_") } @F
' data.txt

Pour travailler avec des guillemets à l'intérieur des champs, escape_char doit être différent de quote_char ; je l'ai simplement défini sur '' ici. La sortie est gérée par le module également, et l'attribut always_quote est pour cela (pour citer tous les champs, nécessaires ou non). Veuillez consulter la documentation.

Il y a beaucoup plus à faire avec ce module, bien sûr.

Si le but de la question est précisément de nettoyer un format de fichier où la même citation est utilisée à la fois pour les champs et à l'intérieur des champs, je suggérerais de tout faire avec le module. Cette approche permet de configurer proprement et de manière cohérente toutes sortes d'options, à la fois pour l'entrée et la sortie, et est maintenable.

Quelques questions

• De quel type de données existe-t-il et est-il possible d'avoir une citation erronée? Alors quoi? Cela peut même affecter le choix de l'approche optimale car cela peut nécessiter une analyse détaillée.

• Si la quête ici est de redresser les données de style CSV, alors pourquoi ne pas doubler les guillemets à l'intérieur des champs, comme cela est courant et approprié en CSV, au lieu de les remplacer (et potentiellement de nuire à leur signification textuelle)? Consultez la documentation du module, par exemple.

Perl utilise $ 1 comme espace réservé pour le premier groupe de capture dans la partie de remplacement de l'expression régulière au lieu de \ 1 (utilisé dans la partie correspondante de l'expression régulière). Votre expression régulière ne correspondait pas aux guillemets intérieurs et ne correspondrait pas au premier ou au dernier champ de vos données délimitées par un tube. Votre substitution n'a pas non plus inclus de caractère de guillemet avant le groupe capturé.

Essayez:

perl -pi.bak -e 's/(?<=(?:^|\|)")"([^"]*)"(?="(?:$|\|))/`$1´/' test.txt

Un autre Perl. Après la division par tableau @F, vérifiez "qui n'est pas au début / à la fin des éléments.

$ cat grasshopper.txt
"1"|"Text"|"a"
"2"|""Text in quotes""|"ab"
"3"|"Text "around" quotes"|"abc"
$  perl -F"\|"  -lane   ' for(@F) { s/(?<!^)"(?!$)/`/g }; print join("|",@F) ' grasshopper.txt
"1"|"Text"|"a"
"2"|"`Text in quotes`"|"ab"
"3"|"Text `around` quotes"|"abc"
$

avec les entrées données

 perl -F"\|"  -lane   ' for(@F) { s/(?<!^)"(?!$)/`/g }; print join("|",@F) '