我正在尝试使用 csv.DictReader 读取 TSV 文件,但是读取器报告的字段数有误。当我查看内部时,我发现它没有正确拆分定界符(我用 str.split(delimiter)
和 awk -F 'delim'
确认。
from pprint import pprint
import csv
import sys, os
keys = ['id', 'src', 'src_len', 'sys1_o', 'sys1_b', 'sys1_l',
'sys2_o', 'sys2_b', 'sys2_l', 'sys3_o', 'sys3_b', 'sys3_l', 'x']
# get this data from https://gist.github.com/thammegowda/95613b203a442fbe72fc5b51af491367
my_data = """segment-22 Kture . 27 Thutaalchisu. - 33 Koture. - 27 Th jump. - 33 3
segment-23 ‘Yunker . 7 "said. - 8 ‘Yunker. - 7 "said. - 8 1"""
tmp_file = "tmp.tsv"
with open(tmp_file, 'w', encoding='utf-8') as f:
f.write(my_data)
def read_recs_csv(path):
with open(path, 'rt', encoding='utf-8') as f:
rdr = csv.DictReader(f, fieldnames=keys, delimiter='\t')
for rec in rdr:
yield(dict(rec))
def read_recs_raw(path):
with open(path, 'rt', encoding='utf-8') as f:
for line in f:
rec = dict(zip(keys, line.strip().split('\t')))
yield(rec)
print("Reading through CSV DictReader ")
pprint(list(read_recs_csv(tmp_file)))
print("Reading directly")
pprint(list(read_recs_raw(tmp_file)))
# Debug
print(sys.version_info)
print(os.environ['LANG'])
输出:
Reading through CSV DictReader
[{'id': 'segment-22',
'src': 'Kture .',
'src_len': '27',
'sys1_b': '-',
'sys1_l': '33',
'sys1_o': 'Thutaalchisu.',
'sys2_b': '-',
'sys2_l': '27',
'sys2_o': 'Koture.',
'sys3_b': '-',
'sys3_l': '33',
'sys3_o': 'Th jump.',
'x': '3'},
{'id': 'segment-23',
'src': '‘Yunker .',
'src_len': '7',
'sys1_b': '-',
'sys1_l': '8',
'sys1_o': 'said.\t-\t8\t‘Yunker.\t-\t7\tsaid.',
'sys2_b': None,
'sys2_l': None,
'sys2_o': '1',
'sys3_b': None,
'sys3_l': None,
'sys3_o': None,
'x': None}]
Reading directly
[{'id': 'segment-22',
'src': 'Kture .',
'src_len': '27',
'sys1_b': '-',
'sys1_l': '33',
'sys1_o': 'Thutaalchisu.',
'sys2_b': '-',
'sys2_l': '27',
'sys2_o': 'Koture.',
'sys3_b': '-',
'sys3_l': '33',
'sys3_o': 'Th jump.',
'x': '3'},
{'id': 'segment-23',
'src': '‘Yunker .',
'src_len': '7',
'sys1_b': '-',
'sys1_l': '8',
'sys1_o': '"said.',
'sys2_b': '-',
'sys2_l': '7',
'sys2_o': '‘Yunker.',
'sys3_b': '-',
'sys3_l': '8',
'sys3_o': '"said.',
'x': '1'}]
sys.version_info(major=3, minor=6, micro=1, releaselevel='final', serial=0)
en_US.UTF-8
注意:示例数据发布在 a gist 中.如果制表符被空格替换,请下载它。
最佳答案
raw 和 csv 解析之间的区别(这就是我坚持获取输入数据的原因)是 csv 模块默认处理引号。
您的数据中有引号,csv
将受引号保护的字段视为单个字段。 awk
和 str.split
无关。
只是告诉 csv
模块不要考虑引用:
rdr = csv.DictReader(f, fieldnames=keys, delimiter='\t', quoting=csv.QUOTE_NONE)
这样做,我就填满了所有字段。
关于python3 的 csv.DictReader 没有按预期按分隔符拆分记录,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/45858542/