Java自学者论坛

 找回密码
 立即注册

手机号码,快捷登录

恭喜Java自学者论坛(https://www.javazxz.com)已经为数万Java学习者服务超过8年了!积累会员资料超过10000G+
成为本站VIP会员,下载本站10000G+会员资源,会员资料板块,购买链接:点击进入购买VIP会员

JAVA高级面试进阶训练营视频教程

Java架构师系统进阶VIP课程

分布式高可用全栈开发微服务教程Go语言视频零基础入门到精通Java架构师3期(课件+源码)
Java开发全终端实战租房项目视频教程SpringBoot2.X入门到高级使用教程大数据培训第六期全套视频教程深度学习(CNN RNN GAN)算法原理Java亿级流量电商系统视频教程
互联网架构师视频教程年薪50万Spark2.0从入门到精通年薪50万!人工智能学习路线教程年薪50万大数据入门到精通学习路线年薪50万机器学习入门到精通教程
仿小米商城类app和小程序视频教程深度学习数据分析基础到实战最新黑马javaEE2.1就业课程从 0到JVM实战高手教程MySQL入门到精通教程
查看: 574|回复: 0

CSV文件分割与列异常处理的python脚本

[复制链接]
  • TA的每日心情
    奋斗
    2024-11-24 15:47
  • 签到天数: 804 天

    [LV.10]以坛为家III

    2053

    主题

    2111

    帖子

    72万

    积分

    管理员

    Rank: 9Rank: 9Rank: 9

    积分
    726782
    发表于 2021-5-21 19:34:34 | 显示全部楼层 |阅读模式

    处理csv文件时经常会遇到下面的问题:

    1. 文件过大(需要进行文件分割)
    2. 列异常(列不一致,如原始数据的列为10列,但导出的csv文件有些行是11列,或者4列)
    本脚本用于解决此问题。

    使用说明:
    > python csvtoolkit.py -h
    usage: csvtoolkit.py [-h] [-f CSV_FILENAME] [-d DELIMITER_CHAR]
                         [-n SPLIT_FILE_NUMBERS] [-e OUTPUT_ENCODING]
    
    本脚本用来分割处理csv文件,其中解决了csv文件的列异常问题。
    使用示例如下:
    python csvtoolkit.py -f "2013.csv" -n 10 -e "utf-8"
    
    示例说明:
    要分割的csv文件: 2013.csv
    分割成的文件个数:10
    分割后的文件使用的字符编码:utf-8
    分割文件的字符编码,在简体中文系统中推荐使用的字符编码为“gb18030、utf-8、utf-8-sig”,不要使用gbk或者gb2312
    
    optional arguments:
      -h, --help            show this help message and exit
      -f CSV_FILENAME, --filename CSV_FILENAME
                            要处理的csv文件名
      -d DELIMITER_CHAR, --delimiterchar DELIMITER_CHAR
                            csv文件的分隔符号
      -n SPLIT_FILE_NUMBERS, --splitnumbers SPLIT_FILE_NUMBERS
                            分割成的文件数
      -e OUTPUT_ENCODING, --outputencoding OUTPUT_ENCODING
                            分割成的文件数

     

      1 #!/usr/bin/env python3
      2 #coding=utf-8
      3 
      4 import os, csv, sys, locale, codecs, chardet, time
      5 from argparse import ArgumentParser, RawTextHelpFormatter
      6 
      7 #操作系统中默认的文件编码(当文件编码为中文扩展字符集时,统一使用gb18030编码--比gb2312和gbk支持的汉字多,同时兼容gb2312和gbk)
      8 #中文扩展字符集编码列表
      9 chinese_charsetstr='|gbk|gb2312|gb18030|cp936|'
     10 default_chinese_charset='gb18030'
     11 #使用gb18030解决了类似下面的错误:UnicodeDecodeError: 'gbk' codec can't decode byte 0xf8 in position 5902: illegal multibyte sequence
     12 defaultencoding = default_chinese_charset if chinese_charsetstr.find(locale.getpreferredencoding().lower())>0 else locale.getpreferredencoding().lower()
     13     
     14 def detectfileencoding(filename, filerowcount=None, info_fileobj=None):
     15     #获取文件编码(为空则设置为操作系统默认文件编码,其中中文扩展字符集统一设置为'gb18030'大字符集)
     16     time_start=time.time()
     17     #编码检测结果
     18     detectresult=''
     19     with codecs.open(filename, 'rb') as fobj:
     20         if filerowcount==None:
     21             fcontent = fobj.read()
     22             detectresult = chardet.detect(fcontent)
     23         else:
     24             linenum = 0
     25             maxdetectrownum = 100 if filerowcount > 100 else filerowcount
     26             #初始化要检测编码的内容
     27             fcontent = bytes()
     28             for line in fobj.readlines():
     29                 linenum += 1
     30                 if linenum < maxdetectrownum:
     31                     fcontent += line
     32                 else:
     33                     break
     34             print_twice("\r\n【字符编码检测】:\r\n字符编码检测行数: %d"%(linenum), fileobj=info_fileobj)
     35             detectresult = chardet.detect(fcontent)
     36         detectencoding=detectresult.get('encoding')
     37         print_twice("检测出来的字符编码: %s"%(detectencoding), fileobj=info_fileobj)
     38         if detectencoding is None:
     39             fileencoding = defaultencoding
     40         else:
     41             fileencoding = default_chinese_charset if chinese_charsetstr.find(detectencoding.lower())>0 else detectencoding
     42     time_end=time.time()
     43     print_twice("检测字符编码耗时: %d s"%(time_end-time_start), fileobj=info_fileobj)
     44     return fileencoding
     45 
     46 def getfilerowscount(filename):
     47     # 计算文件总行数
     48     count=-1
     49     #, encoding=fileencoding
     50     with codecs.open(filename, 'rb') as fobj:
     51         for count,line in enumerate(fobj):
     52             pass
     53         count += 1
     54     return count
     55 
     56 def print_twice(output_string, fileobj):
     57     #打印输出两次,“终端输出”和“输出到文件”
     58     print(output_string)
     59     print(output_string, file=fileobj)
     60 
     61 def spit_csvfile(filename, delimiterchar=",", splitnumbers=0, outputencoding='utf-8' ):
     62     if not os.path.isfile(filename):
     63         print('不存在文件: %s'%(filename))
     64         #退出脚本
     65         sys.exit()
     66     file_path = os.path.split(filename)[0]
     67     short_filename = os.path.basename(os.path.splitext(filename)[0])
     68     file_ext = os.path.splitext(filename)[1]
     69     #日志文件名
     70     info_filename = os.path.join(file_path, short_filename+'-info'+'.txt')    
     71     
     72     #获取文件行数
     73     rowscount = getfilerowscount(filename)
     74     #行号,初始值为1
     75     rowsnum = 1
     76     #列数,初始值为0(处理过程中将以第一行为标准,即以第一行的列数为正确的列数)
     77     columncount = 0
     78     #列正确的文件,生成正常的分割文件: 源文件-0.csv 源文件-1.csv
     79     #列错误的文件:  源文件名-错误列.csv 
     80     error_filename = os.path.join(file_path, short_filename+'-错误列'+'.txt')
     81     #打开日志文件
     82     fileobj_info = open(info_filename, 'w+', newline='\r\n', encoding=outputencoding)
     83 
     84     #获取csv文件信息
     85     statinfo = os.stat(filename)
     86     print_twice('\r\n【源文件信息】: ', fileobj=fileobj_info)
     87     print_twice("源文件名称: %s"%(filename), fileobj=fileobj_info)
     88     print_twice("源文件行数: %s"%(str(rowscount)), fileobj=fileobj_info)
     89     #获取文件编码
     90     file_encoding = detectfileencoding(filename, filerowcount=rowscount, info_fileobj=fileobj_info)
     91     
     92     print_twice('\r\n【文件处理】:', fileobj=fileobj_info)
     93     print_twice('处理源文件时使用的字符编码: %s'%(file_encoding), fileobj=fileobj_info)
     94     print_twice("源文件大小: %s"%(str(statinfo.st_size//1024//1024)+"M"), fileobj=fileobj_info)
     95     
     96     print_twice("分割成的文件数:%s"%(str(splitnumbers)), fileobj=fileobj_info)
     97     splitLineCount = rowscount//splitnumbers
     98     print_twice("分割文件的行数:%s"%(str(splitLineCount)), fileobj=fileobj_info)
     99     
    100     # 可以用一个list包含文件对象列表
    101     # 源文件名-文件序号.csv 
    102     fileList = []
    103     fileIndex = 0
    104     print_twice("分割后的文件名:", fileobj=fileobj_info)
    105     while fileIndex < splitnumbers:
    106         filename_tmp=os.path.join(file_path, short_filename+'-'+str(fileIndex)+file_ext)
    107         print_twice("  "+filename_tmp, fileobj=fileobj_info)
    108         file_tmp=codecs.open(filename_tmp, 'w+', encoding=outputencoding)
    109         fileList.append(file_tmp)
    110         fileIndex=fileIndex+1
    111 
    112     
    113     fileobj_error=codecs.open(error_filename, 'w+', encoding=outputencoding)
    114     print_twice("分割后的文件名(列异常数据):", fileobj=fileobj_info)
    115     print_twice("  %s"%(error_filename), fileobj=fileobj_info)
    116     
    117     print_twice("分割后文件的字符编码: %s"%(outputencoding), fileobj=fileobj_info)
    118     
    119     with codecs.open(filename, encoding=file_encoding) as csvfile:
    120         spamreader = csv.reader(csvfile,delimiter=delimiterchar)
    121         for line in spamreader:
    122             # 列数为0时,读取第一行作为准确的列数。
    123             if ( columncount == 0 ):
    124                 columncount = len(line)
    125             # 列数不为0时,当前行的列数与其匹配,将匹配的和不匹配的保存到不同的文件。
    126             else:
    127                 #列数和第一行的列数匹配,则输出到分割的文件中
    128                 if ( columncount == len(line) ):
    129                     # 输出到对应文件序号的文件中: 行数“整除”分割行数
    130                     if ( rowsnum//splitLineCount > len(fileList)-1 ):
    131                         print((','.join(line)), file=fileList[len(fileList)-1])
    132                     else:
    133                         print((','.join(line)), file=fileList[rowsnum//splitLineCount])
    134                 else :
    135                     #列数与第一行的列数不匹配,则输出到异常文件中
    136                     print((','.join(line)), file=fileobj_error)
    137             rowsnum=rowsnum+1
    138     
    139     fileIndex=0
    140     #文件列表中的文件处理:刷新缓存区,关闭文件
    141     while fileIndex < splitnumbers:
    142         if not fileList[fileIndex].closed:
    143             fileList[fileIndex].flush()
    144             fileList[fileIndex].close()
    145         fileIndex=fileIndex+1
    146     #关闭文件
    147     if not fileobj_error.closed:
    148         fileobj_error.flush()
    149         fileobj_error.close()
    150     if not fileobj_info.closed:
    151         fileobj_info.flush()
    152         fileobj_info.close()
    153     
    154 if __name__ == "__main__":
    155     description="\n本脚本用来分割处理csv文件,其中解决了csv文件的列异常问题。\n使用示例如下:"
    156     description=description+'\npython csvtoolkit.py -f "2013.csv" -n 10 -e "utf-8"'
    157     description=description+'\n\n'+"示例说明:"
    158     description=description+'\n'+"要分割的csv文件: 2013.csv"
    159     description=description+'\n'+"分割成的文件个数:10"
    160     description=description+'\n'+"分割后的文件使用的字符编码:utf-8"
    161     description=description+'\n'+"分割文件的字符编码,在简体中文系统中推荐使用的字符编码为“gb18030、utf-8、utf-8-sig”,不要使用gbk或者gb2312"
    162 
    163     # 添加程序帮助,程序帮助支持换行符号
    164     parser = ArgumentParser(description=description, formatter_class=RawTextHelpFormatter)
    165 
    166     # 添加命令行选项
    167 
    168     parser.add_argument("-f", "--filename",
    169                         dest="csv_filename",
    170                         default="",
    171                         help="要处理的csv文件名")
    172     parser.add_argument("-d", "--delimiterchar",
    173                         dest="delimiter_char",
    174                         default=",",
    175                         help="csv文件的分隔符号")
    176     parser.add_argument("-n", "--splitnumbers",
    177                     dest="split_file_numbers",
    178                     default=0,
    179                     help="分割成的文件数")
    180     parser.add_argument("-e", "--outputencoding",
    181                     dest="output_encoding",
    182                     default='utf-8',
    183                     help="分割成的文件数")                
    184     
    185     args = parser.parse_args()
    186 
    187     #try:
    188     spit_csvfile(args.csv_filename, args.delimiter_char, int(args.split_file_numbers), args.output_encoding)
    189     #except:
    190     #    print('Error to split csv file:')
    191     #    print(sys.exc_info()[0],sys.exc_info()[1])

     

    哎...今天够累的,签到来了1...
    回复

    使用道具 举报

    您需要登录后才可以回帖 登录 | 立即注册

    本版积分规则

    QQ|手机版|小黑屋|Java自学者论坛 ( 声明:本站文章及资料整理自互联网,用于Java自学者交流学习使用,对资料版权不负任何法律责任,若有侵权请及时联系客服屏蔽删除 )

    GMT+8, 2024-12-23 08:46 , Processed in 0.063355 second(s), 29 queries .

    Powered by Discuz! X3.4

    Copyright © 2001-2021, Tencent Cloud.

    快速回复 返回顶部 返回列表