本文详解如何在 java 中准确解析含内嵌换行、混合空白（tab/space/newline）和固定行尾标记（如 `"test2222"`）的非标准文本，并将其健壮地转换为合规的 csv 字符串，避免因简单 `split("\t")` 或 `csvparser` 误判导致字段错位。
在实际数据集成场景中，我们常遇到「伪 TSV」格式：表面以 Tab 分隔，但字段值本身含换行符（\n）、多空格或制表符，且每行由特定终结符（如 "test2222"）而非 \n 真正界定。此时直接按行分割（String#lines()）或依赖通用 CSV 解析器（如 Apache Commons CSV）极易失败——因为它们默认将换行视作记录边界，而本例中换行是字段内容的一部分。
核心解决思路是：绕过“逐行读取”范式，改用基于自定义记录分隔符（record delimiter）的流式切分。Java 的 Scanner 类天然支持此模式：通过 useDelimiter(String) 指定逻辑行终止符（如 "\"test2222\""），再对每个完整逻辑记录进行字段提取。
以下为完整、可运行的解决方案（已针对原始字符串优化）：
import java.util.Arrays;
import java.util.stream.Collectors;
public class TsvToCsvConverter {
// 行终结符（注意：需转义双引号）
private static final String RECORD_DELIMITER = "\"test2222\"";
public static String convertToCsv(String input) {
if (input == null || input.trim().isEmpty()) {
return "";
}
// 使用 Scanner 按终结符切分逻辑行（兼容内嵌 \n）
java.util.Scanner scanner = new java.util.Scanner(input);
scanner.useDelimiter(RECORD_DELIMITER);
return Arrays.stream(scanner
.tokens() // 获取所有逻辑记录（不含终结符）
.map(String::trim) // 去首尾空白
.filter(s -> !s.isEmpty())// 过滤空记录
.map(TsvToCsvConverter::parseAndJoinFields) // 解析单行 → CSV
.toArray(String[]::new))
.collect(Collectors.joining("\n")); // 用换行连接各 CSV 行
}
// 对单个逻辑记录（如："\"abc\"\t\"cde\"\t...\"test2222\""）提取字段并转为 CSV
private static String parseAndJoinFields(String record) {
// 正则匹配带引号的字段（支持内部含 \n、\t、空格）
// 匹配模式：以 " 开头，后接任意字符（包括 \n，非贪婪），以 " 结尾
java.util.regex.Pattern FIELD_PATTERN =
java.util.regex.Pattern.compile("\"([^\"]*?)\"\\s*");
java.util.List fields = new java.util.ArrayList<>();
java.util.regex.Matcher matcher = FIELD_PATTERN.matcher(record);
while (matcher.find()) {
String field = matcher.group(1).replace("\n", " ").replace("\t", " ").trim();
// 严格 CSV 规范：含逗号、引号或换行的字段必须用双引号包裹，且内部引号需转义
if (field.contains(",") || field.contains("\"") || field.contains("\n")) {
field = "\"" + field.replace("\"", "\"\"") + "\"";
}
fields.add(field);
}
return String.join(",", fields);
}
// 示例用法
public static void main(String[] args) {
String test = "\"abc\"\t\"cde\"\t\"fhg\"\t\"ijk\"\t\"17/01/23 10:09:50 am\"\t\"test111\"\t\"test2\"\t\"Individual\"\t\"Enclosure of Work Areas\"\t\t\"Highlight aluminium personnel lanyarded into the Haulotte boom lift with a spotter. All tools observed to be lanyarded including protection gear. \n" +
"Blue glue asset card observed to be attached to the machinery, 10 year inspection of plant not required due to it being only 3yrs old. Last annual inspection august 2022 and logbook was subsequently observed. \n" +
"Plant registration was all observed and the weight loads were all abided by.\"\t\"test2222\"\n" +
"\"abc\"\t\"cde\"\t\"fhg\"\t\"ijk\"\t\"17/01/23 10:09:50 am\"\t\"test111\"\t\"test2\"\t\"Individual\"\t\"Enclosure of Work Areas\"\t\t\"1\"\t\"0\"\t\"Level 79\"\t\"16/01/23 11:12:50 pm\"\t\"Logistics - Construction Personnel & Material Lifts\"\t\t\t\t\t\"Schindler lift cages were observed to be free of any loose debris or material that may pose a risk of falling into the lift shaft below. L80 and L79 were observed to be compliant on both sides of the shaft.\"\t\"test2222\"";
System.out.println("=== 转换后的 CSV ===");
System.out.println(convertToCsv(test));
}
} ✅ 关键设计说明：
- 精准分界：Scanner 以 "test2222" 为 delimiter，确保跨多行的长文本字段不被错误截断；
- 字段安全提取：使用正则 \"([^\"]*?)\" 精确捕获成对双引号内的内容（支持内嵌 \n/\t），避免 split("\\s+") 将字段内空格误切；
- CSV 合规性：自动检测需转义的字段（含 ,、" 或 \n），执行 RFC 4180 标准转义（" → ""）并包裹双引号；
- 健壮预处理：对提取的字段统一替换内嵌换行为空格、制表符为空格，消除格式干扰。
⚠️ 注意事项：
- 若终结符本身可能出现在字段值中（如 "test2222" 是业务数据），需改用更可靠的分隔策略（如固定长度、XML/JSON 封装）；
- 生产环境建议使用成熟的 CSV 库（如 OpenCSV 或 Apache Commons CSV）生成最终 CSV，本方案聚焦于前置解析阶段；
- 大文件处理时，应改用 Files.lines() + 自定义 Spliterator 流式处理，避免内存溢出。
该方案直击问题本质：在非标准数据结构上构建语义正确的解析层，为后续标准化处理奠定可靠基础。
