Перейти к содержимому






Фотография
* * * * * 1 голосов

Парсер CSV

Написано Fingercomp , в Парсеры, Tutorials 01 Ноябрь 2016 · 1 122 просмотров

algorithms python lua library csv parser

CSV идёт от Comma-Separated Values, что, в общем, довольно точно описывает этот формат хранения таблиц. Вот типичная таблица:

aaa,bbb,ccc,ddd
eee,fff,ggg,hhh
Как видно, строки отделяются \n, а ячейки ­— запятой. Последняя строка может иметь или не иметь \n.

 

Формат очень простой. Описывается он в RFC 4180. Там всего 7 пунктов. Ну а раз простой, давайте соорудим парсер.

 

Вот у нас есть строка aaa,bbb,ccc,ddd\neee,fff,ggg,hhh. Задача: сделать из неё

[ [ "aaa", "bbb", "ccc", "ddd" ]
, [ "eee", "fff", "ggg", "hhh" ]
]

 

Так как позже я немного усложню парсер, очевидный вариант со split, которая делит строку, опустим. Сделаем так:

def parse_csv(s):
    # Сюда идёт результат
    result = []

    # Текущая строка
    row = []

    # Текущая ячейка
    cell = ""

    # Проходимся по строке
    for i in range(len(s)):
	    # Текущий символ
	    c = s[i]

	    if c == ",":
		    # Если символ — запятая, закрываем ячейку
		    row.append(cell)
		    cell = ""
	    elif c == "\n":
		    # Если это перевод строки, то закрываем ячейку и строку
		    row.append(cell)
		    cell = ""
		    result.append(row)
		    row = []
	    else:
		    # Любой другой символ добавляем в ячейку
		    cell += c

    # Возвращаем результат
    return result
Запускаем:
>>> parse_csv("aaa,bbb,ccc,ddd\neee,fff,ggg,hhh\n")
[['aaa', 'bbb', 'ccc', 'ddd'], ['eee', 'fff', 'ggg', 'hhh']]
 
>>> parse_csv("aaa,bbb,ccc,ddd\neee,fff,ggg,hhh")
[['aaa', 'bbb', 'ccc', 'ddd']]

 

Действительно, в конце может и не быть \n. Давайте поправим:

def parse_csv(s):
    result = []
    row = []
    cell = ""

    for i in range(len(s)):
	    c = s[i]
	    if c == ",":
		    row.append(cell)
		    cell = ""
	    elif c == "\n":
		    row.append(cell)
		    cell = ""
		    result.append(row)
		    row = []
	    else:
		    cell += c

    # Если ячейка не пуста
    if cell:
	    # Закрываем ячейку и строку
	    row.append(cell)
	    result.append(row)

    return result
Проверяем:
>>> parse_csv("aaa,bbb,ccc,ddd\neee,fff,ggg,hhh\n")
[['aaa', 'bbb', 'ccc', 'ddd'], ['eee', 'fff', 'ggg', 'hhh']]
 
>>> parse_csv("aaa,bbb,ccc,ddd\neee,fff,ggg,hhh")
[['aaa', 'bbb', 'ccc', 'ddd'], ['eee', 'fff', 'ggg', 'hhh']]
Замечательно.

 

Почему я проверяю только ячейку, а не строку ещё? Просто пустая ячейка и непустая строка может быть только тогда, когда на конце строки висит запятая. aaa,bbb,. А это явно запрещено по RFC.

 

В текущем виде в ячейке у нас не получится хранить \n и ,. Если первый символ ещё кое-как, то без запятой как-то совсем не весело, верно?
На наше счастье, в спецификации есть и это. Ячейку можно поместить в двойные кавычки (", кто не понял), тогда до следующей кавычки обрабатываться \n и , не будут.

 

Давайте улучшим наш парсер, добавив поддержку этих самых кавычек. Так как у нас посимвольный парсинг, сделать это гораздо проще. Вот так:

def parse_csv(s):
    result = []
    row = []
    cell = ""

    # Начиналась ли текущая ячейка с кавычки
    quoted = False

    for i in range(len(s)):
	    c = s[i]
	    if quoted:
		    if c == '"':
			    # Закрывающая кавычка
			    quoted = False
		    else:
			    cell += c
	    else:
		    if c == '"':
			    if not cell:
				    # Открывающая кавычка в начале ячейки
				    quoted = True
			    else:
				    # Кавычка в середине строки: запрещено
				    return False
		    elif c == ",":
			    row.append(cell)
			    cell = ""
		    elif c == "\n":
			    row.append(cell)
			    cell = ""
			    result.append(row)
			    row = []
		    else:
			    cell += c

    if cell:
	    if quoted:
		    # Где-то не закрыли кавычки
		    return False
	    row.append(cell)
	    result.append(row)

    return result

 

Проверяем:

Спойлер

 

Всё верно, кроме последнего. В середине строки в закавыченных строках эти самые кавычки должны быть экранированы вот так: "". Например: "aaa""bbb,ccc",ddd,eee. Давайте починим и это.

def parse_csv(s):
    result = []
    row = []
    cell = ""
    quoted = False

    # Является ли предыдущий символ кавычкой
    prevQuote = False

    for i in range(len(s)):
	    c = s[i]
	    if quoted:
		    if c == '"':
			    # Помечаем, что у нас есть кавычка в середине строки.
			    # Она может быть экранированной.
			    prevQuote = True
			    quoted = False
		    else:
			    cell += c
	    else:
		    if c == '"':
			    if not cell:
				    quoted = True
			    else:
				    if prevQuote:
					    # Если у нас прошлый символ был кавычкой,
					    # то получаем экранированную кавычку.
					    cell += '"'
					    quoted = True
					    prevQuote = False
				    else:
					    return False
		    elif c == ",":
			    row.append(cell)
			    cell = ""

			    # Кавычка была закрывающей
			    prevQuote = False
		    elif c == "\n":
			    row.append(cell)
			    cell = ""
			    result.append(row)
			    row = []

			    # Кавычка была закрывающей
			    prevQuote = False
		    else:
			    if prevQuote:
				    # Мы ждали кавычку или закрытие ячейки.
				    return False
			    cell += c

    if cell:
	    if quoted:
		    return False
	    row.append(cell)
	    result.append(row)

    return result

 

Опять тестируем:

Спойлер

 

Вот и всё. 44 строки кода на Python — и мы можем парсить CSV.
Я также переписал парсер на Lua, опубликовал его в OPPM под libcsv. Можете качать и радоваться. Вот сырцы.

 

Ну и надеюсь, это было менее сложно, чем мои записи про пакетные менеджеры до этого, и вы смогли прочитать это :rolleyes:.



  • Totoro и Sharplook это нравится



Я также переписал парсер на Lua, опубликовал его в OPPM под libcsv

 

Буржуй что ли? Публикуй в нашей репе! :P

Форму добавления сначала сделай.

Форму добавления сначала сделай.

 

А кто у нас джедай консолей? :P


Обратные ссылки на эту запись [ URL обратной ссылки ]

Обратных ссылок на эту запись нет

0 посетителей

0 пользователей, 0 гостей, 0 анонимных

Лицензия

Новые комментарии