Java解析TSV文件：适配带转义引号字段的正则表达式需求

嘿，针对你这个TSV解析的需求，直接用String.split("\t")肯定行不通——毕竟引号里的制表符和转义双引号会彻底搞乱拆分逻辑。我给你一套靠谱的正则方案，再配上Java代码示例，完美适配你列出的所有规则。

核心正则表达式 #

我们不用拆分，而是用匹配的方式精准提取每个字段，这是处理带特殊字符的结构化文本的最优思路：

private static final Pattern TSV_FIELD_PATTERN = Pattern.compile("\"((?:[^\"]|\"\")*)\"|([^\t]+)");

正则逻辑拆解 #

• "((?:[^\"]|"")*)"：专门匹配带引号包裹的字符串字段
  • (?:[^\"]|"")*：非捕获组，用来匹配引号内的内容——要么是非引号字符（包括制表符），要么是两个连续的双引号（也就是你说的转义双引号）
  • 括号里的内容会被捕获到第1个分组，后续我们只需要把里面的""替换成单个"即可还原原始字符串
• |([^\t]+)：匹配不带引号的字段（比如数字）
  • 捕获到第2个分组，直接取值即可，不需要额外处理

Java代码实现 #

下面是完整的解析示例，包含读取TSV行、提取字段、处理转义引号的完整逻辑：

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

public class TsvParser {
    private static final Pattern TSV_FIELD_PATTERN = Pattern.compile("\"((?:[^\"]|\"\")*)\"|([^\t]+)");

    public static List<String> parseTsvLine(String line) {
        List<String> fields = new ArrayList<>();
        Matcher matcher = TSV_FIELD_PATTERN.matcher(line);

        while (matcher.find()) {
            if (matcher.group(1) != null) {
                // 处理带引号的字段：把转义双引号""还原成"
                String quotedField = matcher.group(1).replace("\"\"", "\"");
                fields.add(quotedField);
            } else if (matcher.group(2) != null) {
                // 处理不带引号的字段（比如数字）
                fields.add(matcher.group(2));
            }
        }
        return fields;
    }

    // 测试你给出的示例行
    public static void main(String[] args) {
        String testLine1 = "\"aaa\"\t123\t\"bbb\"\t\"cc\"\t\"ddd\"";
        String testLine2 = "\"aaa\"\t123\t\"bbb\"\t\"cc\"\t\" 6\"\t\"ddd\"\t456\t\"eee\"\t\"ff\"\t\" \"\" \"\t\"ddd\"\t456\t\"eee\"\t\"ff\"\t\" \"";

        List<String> result1 = parseTsvLine(testLine1);
        System.out.println("解析结果1：");
        result1.forEach(field -> System.out.println("- " + field));

        System.out.println("\n解析结果2：");
        List<String> result2 = parseTsvLine(testLine2);
        result2.forEach(field -> System.out.println("- " + field));
    }
}

测试结果说明 #

• 对于" "" "这样的字段，解析后会变成" "（转义的""被正确还原为单个"）
• 数字字段比如123、456会直接以字符串形式提取，你可以后续根据需求转成Integer或Long类型
• 引号内的制表符会被完整保留在字段里，不会被误拆分

额外补充 #

如果你的TSV里可能存在空字段（比如两个制表符之间没有内容，或者空的带引号字段""），可以把正则调整为：

Pattern.compile("\"((?:[^\"]|\"\")*)\"|([^\t]*)");

这样就能匹配到空字段，解析后会得到空字符串，适配更复杂的TSV场景。

内容的提问来源于stack exchange，提问作者Jeroen.