CSV文件读/写的严格定义

Question

我在C中编写了自己的CSV读取器/写入器，用于将记录存储在ODBC数据库的字符列中。不幸的是，我发现很多边缘情况都超过了我的实现，我得出结论我的问题是我没有严格定义CSV的规则。我读过RFC4180，但似乎不完整，并没有解决歧义。

例如，应该将“”视为空令牌还是双引号？报价是从外到内还是从左到右匹配？如何使用具有无法匹配的单引号的输入字符串？当我有嵌套的标记时，真正的混乱就开始了，它使转义的引用字符加倍。

我真正需要的是一个明确的CSV标准，我可以在代码中实现。每当我觉得我已经钉好每一个角落的情况下，我找到了另一个。我确信这个问题已经被我的优秀思想多次仔细考虑并解决了，有没有人写过我可以在代码中实现的严格的CSV定义？我意识到C不是这里理想的语言，但我现阶段没有关于编译器的选择;我也不能使用第三方库（除非它与C-90编译）。 Boost不是一个选项，因为我的编译器不支持C ++。我已经考虑过丢弃用于XML的CSV，但是在256字符数据库记录中存储一些令牌似乎有些过分。有人制定了明确的CSV规范吗？

Answer 1

没有标准（参见维基百科的文章，特别是http://en.wikipedia.org/wiki/Comma-separated_values#Lack_of_a_standard），所以为了使用CSV，你需要遵循一般原则，即保守你所接受的内容和自由。特别是：

• 不要对空白字段使用引号。只需写一个空字段（两个相邻的分隔符，或该行的第一个/最后一个位置的分隔符）。
• 引用包含引号，逗号或换行符的任何字段。

Answer 2

找到您信任的最权威的CSV库并阅读源代码。 CSV并不复杂，您无法通过全面阅读源实现来理解其规则。我对Java的opencsv感到满意。 Perl是here，依此类推。

Answer 3

根据RFC 4180，应该从左到右解析字段以正确解释双引号。在某些情况下，""是一个转义双引号（在引用字段内），否则它是一个空字符串或两个双引号（当在非空字段值内时）。

例如，考虑一个包含4条记录（1列）的文件：

"field""value" CRLF
"" CRLF
field""value CRLF
"field value" extra CRLF

1. "field""value" - 应该被理解为field"value
2. "" - 应该被理解为空字符串
3. field""value - 应该被理解为field""value
4. "field value" extra - 可以被视为field value extra，或者您可以拒绝

记录4实际上是一个无效字段，因此您可以接受或拒绝它。

当您开始阅读字段时，您需要检查读取的第一个字符是否为双引号。如果第一个字符是双引号，则引用字段值，您需要阅读，直到找到未转义的结束双引号。在这种情况下，您可以忽略新行和逗号字符，因为该字段是引用的 - 它只在您输入结束双引号时结束。

如果第一个字符不是双引号，则字段值中的所有双引号应视为文字双引号。在这种情况下，当遇到逗号或换行符时，您将到达字段的末尾。

基于此，我建议在写出记录时始终引用所有字段，并在读取数据时编写适当的解析器来解析记录。通过这种方式，您可以将任何数据存储在CSV文件中（即使是带有嵌入式引号的多行文本），您的格式也会很清晰。当读取CSV文件时，我将无法正确解析所有文件 - 如果这是一个数据库，您可以期望用户不要手动弄乱记录，除非他们知道他们正在做什么。