CSV 不是「按逗号切」：RFC 4180 的引号与换行

「CSV 嘛，按逗号切一下就行」—— 这句话在第一个带引号的字段上就破产了。a,"b,c" 用 split(',') 会得到三个字段，而正确结果只有两个。

规则本身很短

RFC 4180 里真正要处理的只有四条：

字段可以用引号包起来，包起来后里面可以出现分隔符、换行和引号
字段内部的引号写成两个（"" → "）
行分隔符是 CRLF，但实际文件里 LF 也很常见，两种都要认
文件末尾的换行不该多产生一条空记录

状态机

一个「当前是否在引号里」的布尔值加一个缓冲区就够，关键是引号内的引号要看下一个字符：

function parseCsv(input, delimiter) {
  const rows = [];
  let row = [];
  let field = '';
  let quoted = false;
  for (let i = 0; i < input.length; i += 1) {
    const ch = input[i];
    if (quoted) {
      if (ch === '"') {
        if (input[i + 1] === '"') { field += ch; i += 1; }
        else quoted = false;
      } else field += ch;
    } else if (ch === '"') {
      quoted = true;
    } else if (ch === delimiter) {
      row.push(field);
      field = '';
    } else if (ch === '\n' || ch === '\r') {
      if (ch === '\r' && input[i + 1] === '\n') i += 1;
      row.push(field);
      rows.push(row);
      row = [];
      field = '';
    } else field += ch;
  }
  if (field !== '' || row.length) { row.push(field); rows.push(row); }
  return rows;
}

最后那个 if 是第 4 条的落地：如果文件以换行结束，field 和 row 都是空的，就不追加。少了这一行，每个正常文件都会多出一条空行 —— 而后面的程序会把它当成一条空记录写进数据库。

四个常见坑

BOM：Excel 导出的文件常以 \uFEFF 开头，它会被粘进第一个字段名，导致 id 找不到。解析前先剥掉。
CRLF 与 LF 混用：同一个文件里两种混着出现也不罕见，逐字符处理时统一当行尾即可。
短行不补齐：a,b 后面接一行只有一个 1，第二行就只有一列。补齐成空串交给调用方，比在界面上显示错位要好。
写出时过度加引号：只在需要时加（含分隔符、引号、换行），否则 a,b 变成 "a","b"，虽然合法但没人愿意看。

本站的选择

CSV 工具里解析走上面这个状态机，输出用「最小引号」策略，另有分隔符嗅探：看第一行里哪个候选（逗号、制表符、分号、竖线）出现次数最多。嗅探只在第一行进行，并且会先剥掉被引号包住的片段，否则 "a;b,c" 这种字段会误导统计。

不要用正则解析 CSV，也不要用 split。一个布尔值加一个缓冲区，比任何聪明写法都好调试。

规则本身很短

状态机

四个常见坑

本站的选择

评论