解析格式错误的CSV文件遇问题，求助Java Pattern/Matcher方案

我之前也踩过这种带引号嵌套逗号的CSV解析坑，用Java的Pattern/Matcher手写正则确实容易翻车，不过有两个靠谱的方向可以解决你的问题：

方案一：用成熟的CSV解析库（优先推荐） #

手动写正则处理CSV其实挺容易遗漏边缘情况（比如引号内的转义双引号""），直接用现成的库是最稳妥的选择，比如OpenCSV或者Apache Commons CSV，它们已经帮你处理了所有CSV的标准规则。

举个OpenCSV的简单示例：

import com.opencsv.CSVReader;
import java.io.FileReader;
import java.util.List;

public class CsvParser {
    public static void main(String[] args) throws Exception {
        try (CSVReader reader = new CSVReader(new FileReader("your-government-file.csv"))) {
            List<String[]> rows = reader.readAll();
            for (String[] row : rows) {
                // row数组里的每个元素就是一个字段，自动处理了引号内的逗号
                if (row.length != 251) {
                    System.out.println("行字段数异常：" + row.length);
                }
            }
        }
    }
}

只要引入对应的依赖（比如Maven里加OpenCSV的坐标），就能轻松解决问题，不用自己纠结正则的细节。

方案二：用正确的正则表达式（如果一定要手动实现） #

如果你坚持要用Pattern/Matcher，那得用能正确识别引号包裹字段的正则。核心逻辑是：匹配要么是带双引号的字段（允许内部包含逗号和转义的双引号），要么是不带引号的字段（直到下一个逗号或行尾）。

对应的正则表达式可以写成：

Pattern pattern = Pattern.compile("\"([^\"]|\"\")*\"|[^,]+");

解释一下这个正则：

• "([^"]|"")*"：匹配带双引号的字段，内部可以是非引号字符，或者转义的双引号""
• |：或逻辑
• [^,]+：匹配不带引号的字段，直到遇到逗号为止

然后用Matcher来遍历匹配：

import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class RegexCsvParser {
    public static void main(String[] args) {
        String csvLine = "\"John Doe, Jr.\",30,\"New York, NY\",\"\"\"Special\"\" case\"";
        Pattern pattern = Pattern.compile("\"([^\"]|\"\")*\"|[^,]+");
        Matcher matcher = pattern.matcher(csvLine);
        
        int count = 0;
        while (matcher.find()) {
            String field = matcher.group();
            // 去掉字段首尾的双引号，同时把转义的""替换成"
            if (field.startsWith("\"") && field.endsWith("\"")) {
                field = field.substring(1, field.length() - 1).replace("\"\"", "\"");
            }
            System.out.println("字段：" + field);
            count++;
        }
        System.out.println("总字段数：" + count); // 这里应该输出4，符合预期
    }
}

你之前的排除双引号逻辑无效，大概率是没考虑到引号内的转义情况，或者正则没有正确区分“引号包裹的整体字段”和普通字段，导致把引号内的逗号当成了字段分隔符。

最后提醒 #

虽然手动正则能解决简单场景，但政府CSV文件可能存在各种奇怪的边缘情况（比如换行在引号内、多个连续逗号等），用成熟的库能避免后续很多麻烦，所以优先推荐方案一。

内容的提问来源于stack exchange，提问作者Ryan G