[英]unix - automatically determine field separator and record (EOL) separator?
假设您有20个文件,而您不会看每个文件,而是有一个脚本来确定文件的格式。
即bash findFileFormat direcName
然后循环遍历目录中的每个文件,并打印出文件名以及是否有定界符(在这种情况下,它是逗号,管道还是其他符号)或用for字段分隔符固定,然后是记录分隔符固定。 即CR,LF,Ctrl + Z字符等
我当时在想,因为某些文件的数据中可能包含很多竖线和逗号,所以它可以使用每行每个字符的计数来确定分隔符是什么->如果此过程不能在每个字符中产生一致的字符数可以肯定地说,该文件使用了固定宽度的字段分隔符。
是否有命令或脚本可用于确定每个文件的这两位信息?
这是一个小的python脚本,它将作为您所需的起点:
import sys
separators = [',', '|']
file_name = sys.argv[1]
def sep_cnt(line):
return {sep:line.count(sep) for sep in separators}
with open(file_name, 'r') as inf:
lines = inf.readlines()
cnts = [sep_cnt(line) for line in lines]
print(cnts)
def cnts_red(a, b):
c = {}
for k, v in a.iteritems():
if v > 0 and v == b[k]:
c[k] = v
return c
final = reduce(cnts_red, cnts[1:], cnts[0])
if len(final) == 0:
ftype = 'fixed'
else:
ftype = 'sep by ' + str(final.iteritems().next()[0])
print(ftype)
命名上面的heur_sep.py并在安全的地方运行它(例如/ tmp):
# Prepare
rm *.txt
# Commas
cat >f1.txt <<e
a,a,a,a
b,b,b,b
c,c,c,c
e
# Pipes
cat >f2.txt <<e
a|a|a|a
b|b|b|b
c|c|c|c
e
# Fixed width
cat >f3.txt <<e
1 2 3
1 2 3
1 2 3
e
# Fixed width with commas
cat >f4.txt <<e
1, 2 3
1 2, 3
1 2, 3,
e
for i in *.txt; do
echo --- $i
python heur_sep.py $i
done
您将需要做更多的工作才能使它能够抵抗各种错误,但这应该是一个很好的起点。 希望这可以帮助。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.