如何处理 bash 脚本读取的 CSV 文件中的逗号

Posted 2023-02-24

【中文标题】如何处理 bash 脚本读取的 CSV 文件中的逗号

【英文标题】：How to handle commas within a CSV file being read by bash script

【发布时间】：2012-02-14 22:56:43

【问题描述】：

我正在创建一个 bash 脚本来从 CSV 文件生成一些输出（我有超过 1000 个条目，不喜欢手动执行...）。

CSV 文件的内容类似于：

Australian Capital Territory,AU-ACT,20034,AU,Australia
Piaui,BR-PI,20100,BR,Brazil
"Adygeya, Republic",RU-AD,21250,RU,Russian Federation

我有一些代码可以使用逗号作为分隔符来分隔字段，但有些值实际上包含逗号，例如Adygeya, Republic。这些值用引号括起来，表示其中的字符应被视为字段的一部分，但我不知道如何解析它以考虑到这一点。

目前我有这个循环：

while IFS=, read province provinceCode criteriaId countryCode country
do
    echo "[$province] [$provinceCode] [$criteriaId] [$countryCode] [$country]"
done < $input

它为上面给出的样本数据产生这个输出：

[Australian Capital Territory] [AU-ACT] [20034] [AU] [Australia]
[Piaui] [BR-PI] [20100] [BR] [Brazil]
["Adygeya] [ Republic"] [RU-AD] [21250] [RU,Russian Federation]

如您所见，第三个条目解析不正确。我希望它输出

[Adygeya Republic] [RU-AD] [21250] [RU] [Russian Federation]

【问题讨论】：

见***.com/questions/7804673/…

谢谢@TomWhittock，我会调查那个答案给出的链接，我以前从未使用过awk，所以可能需要对它进行检查（为了其他人的利益，链接是:backreference.org/2010/04/17/csv-parsing-with-awk)

您不能用“|”、制表符或其他一些未出现在输入中的字符重新导出数据吗？祝你好运。

@shellter 不幸的是，我无法控制数据的导出

还可以在 google 群组中搜索 comp.lang.awk。 10 年前有 3 个月的关于处理 CSV 的讨论。一些非常复杂的解决方案。祝你好运。

【参考方案1】：

如果您想在 awk 中完成所有操作（此脚本需要 GNU awk 4 才能按预期工作）：

awk ' 
 for (i = 0; ++i <= NF;) 
   substr($i, 1, 1) == "\"" && 
     $i = substr($i, 2, length($i) - 2)
   printf "[%s]%s", $i, (i < NF ? OFS : RS)
       
 ' FPAT='([^,]+)|("[^"]+")' infile

示例输出：

% cat infile
Australian Capital Territory,AU-ACT,20034,AU,Australia
Piaui,BR-PI,20100,BR,Brazil
"Adygeya, Republic",RU-AD,21250,RU,Russian Federation
% awk '    
 for (i = 0; ++i <= NF;) 
   substr($i, 1, 1) == "\"" &&
     $i = substr($i, 2, length($i) - 2)
   printf "[%s]%s", $i, (i < NF ? OFS : RS)
    
 ' FPAT='([^,]+)|("[^"]+")' infile
[Australian Capital Territory] [AU-ACT] [20034] [AU] [Australia]
[Piaui] [BR-PI] [20100] [BR] [Brazil]
[Adygeya, Republic] [RU-AD] [21250] [RU] [Russian Federation]

使用 Perl：

perl -MText::ParseWords -lne'
 print join " ", map "[$_]", 
   parse_line(",",0, $_);
  ' infile 

这应该适用于您的 awk 版本（基于 thisc.u.s. 帖子，也删除了嵌入的逗号）。

awk '
 n = parse_csv($0, data)
 for (i = 0; ++i <= n;) 
    gsub(/,/, " ", data[i])
    printf "[%s]%s", data[i], (i < n ? OFS : RS)
    
  
function parse_csv(str, array,   field, i)  
  split( "", array )
  str = str ","
  while ( match(str, /[ \t]*("[^"]*(""[^"]*)*"|[^,]*)[ \t]*,/) )  
    field = substr(str, 1, RLENGTH)
    gsub(/^[ \t]*"?|"?[ \t]*,$/, "", field)
    gsub(/""/, "\"", field)
    array[++i] = field
    str = substr(str, RLENGTH + 1)
  
  return i
' infile

【讨论】：

谢谢，我安装的 Debian 6 似乎没有使用 awk 4，我认为该软件包会有更新版本的 awk

你可以试试我刚刚添加的 Perl 解决方案。

接受并 +1，因为我认为这是最好的解决方案，即使它不是我可以在这种情况下使用的解决方案

嗨@chrisbunney，我添加了应该与您的 awk 版本一起使用的版本。

【参考方案2】：

使用 Dimitre 的解决方案（谢谢）我注意到他的程序忽略了空字段。

这里是修复：

awk ' 
 for (i = 0; ++i <= NF;) 
   substr($i, 1, 1) == "\"" && 
     $i = substr($i, 2, length($i) - 2)
   printf "[%s]%s", $i, (i < NF ? OFS : RS)
       
 ' FPAT='([^,]*)|("[^"]+")' infile

【参考方案3】：

如果您可以容忍在输出中保留周围的引号，您可以使用我编写的一个名为 csvquote 的小脚本来启用 awk 和 cut（以及其他 UNIX 文本工具）来正确处理包含逗号的引用字段。你像这样包装命令：

csvquote inputfile.csv | awk -F, 'print "["$1"] ["$2"] ["$3"] ["$4"] ["$5"]"' | csvquote -u

有关代码和文档，请参阅 https://github.com/dbro/csvquote

【参考方案4】：

由于我的系统上的 awk 版本稍有过时，并且个人偏好坚持使用 Bash 脚本，我得到了一个稍微不同的解决方案。

我制作了一个基于this blog post 的实用程序脚本，它解析 CSV 文件并用您选择的分隔符替换分隔符，以便捕获输出并用于轻松处理数据。该脚本尊重带引号的字符串和嵌入的逗号，但会删除它找到的双引号，并且不适用于字段中的转义双引号。

#!/bin/bash

input=$1
delimiter=$2

if [ -z "$input" ];
then
    echo "Input file must be passed as an argument!"
    exit 98
fi

if ! [ -f $input ] || ! [ -e $input ];
then
    echo "Input file '"$input"' doesn't exist!"
    exit 99
fi

if [ -z "$delimiter" ];
then
    echo "Delimiter character must be passed as an argument!"
    exit 98
fi

gawk '
    c=0
    $0=$0","                                   # yes, cheating
    while($0) 
        delimiter=""
        if (c++ > 0) # Evaluate and then increment c
        
            delimiter="'$delimiter'"
        

        match($0,/ *"[^"]*" *,|[^,]*,/)
        s=substr($0,RSTART,RLENGTH)             # save what matched in f
        gsub(/^ *"?|"? *,$/,"",s)               # remove extra stuff
        printf (delimiter s)
        $0=substr($0,RLENGTH+1)                 # "consume" what matched
    
    printf ("\n")
' $input

只是发布它以防其他人发现它有用。

【参考方案5】：

在查看了here 上的@Dimitre 解决方案之后。你可以做这样的事情-

#!/usr/local/bin/gawk -f

BEGIN 
    FS="," 
    FPAT="([^,]+)|(\"[^\"]+\")"
    

      
    for (i=1;i<=NF;i++) 
        printf ("[%s] ",$i);
    print ""
     

测试：

[jaypal:~/Temp] cat filename
Australian Capital Territory,AU-ACT,20034,AU,Australia
Piaui,BR-PI,20100,BR,Brazil
"Adygeya, Republic",RU-AD,21250,RU,Russian Federation

[jaypal:~/Temp] ./script.awk  filename
[Australian Capital Territory] [AU-ACT] [20034] [AU] [Australia] 
[Piaui] [BR-PI] [20100] [BR] [Brazil] 
["Adygeya, Republic"] [RU-AD] [21250] [RU] [Russian Federation] 

要删除"，您可以将输出通过管道传输到sed。

[jaypal:~/Temp] ./script.awk  filename | sed 's#\"##g'
[Australian Capital Territory] [AU-ACT] [20034] [AU] [Australia] 
[Piaui] [BR-PI] [20100] [BR] [Brazil] 
[Adygeya, Republic] [RU-AD] [21250] [RU] [Russian Federation] 

【讨论】：

谢谢，不知道为什么这是社区 wiki，但会检查一下 :)

@chrisbunney 因为我将 dimitre 的解决方案作为参考，所以我认为将这个答案归功于自己是不合适的。 :)

刚刚对此进行了测试，它对我的​​输出与它对您的输出不同。事实上，它会产生与我在问题中描述的相同的“坏”输出

@chrisbunney 看起来像 awk 版本问题。我在gnu-awk v 4.0.0

上测试过

是的，在@Dimitre 的帮助下，我的机器上有一个旧版本的 awk

【参考方案6】：

在思考了这个问题之后，我意识到由于字符串中的逗号对我来说并不重要，因此在解析之前将其从输入中删除会更容易。

为此，我编写了一个sed 命令来匹配由包含逗号的双引号包围的字符串。然后该命令会从匹配的字符串中删除您不想要的位。它通过将正则表达式分成记住的部分来做到这一点。

此解决方案仅适用于字符串在双引号之间包含单个逗号的情况。

未转义的正则表达式是

(")(.*)(,)(.*)(")

第一、第三和第五对括号分别捕获开始双引号、逗号和结束双引号。

第二对和第三对括号捕获我们想要保留的字段的实际内容。

sed 删除逗号的命令：

echo "$input" | sed 's/\(\"\)\(.*\)\(,\)\(.*\)\(\"\)/\1\2\3\4/' 

sed 删除逗号和双引号的命令：

echo "$input" | sed 's/\(\"\)\(.*\)\(,\)\(.*\)\(\"\)/\2\3/' 

更新代码：

tmpFile=$input"Temp"
sed 's/\(\"\)\(.*\)\(,\)\(.*\)\(\"\)/\2\4/' < $input > $tmpFile
while IFS=, read province provinceCode criteriaId countryCode country
do
    echo "[$province] [$provinceCode] [$criteriaId] [$countryCode] [$country]"
done < $tmpFile
rm $tmpFile

输出：

[Australian Capital Territory] [AU-ACT] [20034] [AU] [Australia]
[Piaui] [BR-PI] [20100] [BR] [Brazil]
[Adygeya Republic] [RU-AD] [21250] [RU] [Russian Federation]
[Bío-Bío] [CL-BI] [20154] [CL] [Chile]

【讨论】：

在某些特定情况下这可能有效，但在很多情况下无效。一个重要的问题是在sed 中，诸如.* 之类的匹配是贪婪的。

感谢您的反馈。根据我的意见，我相信这会很好，但我有兴趣找出如何改进通用解决方案。这会是一种改进吗？ (")(^,*)(,)(^"*)(") 显然sed 不支持惰性匹配，但否定字符类可能会起作用。我希望转义引号也会引起问题