C# 如何检测文本文件中使用的分隔符?
我需要能够解析CSV和TSV文件。我不能依赖用户来了解差异,因此我希望避免要求用户选择类型。是否有一种简单的方法来检测正在使用的分隔符 一种方法是读入每一行并计算制表符和逗号,然后找出哪一行最常用。当然,数据可能包括逗号或制表符,因此说起来容易做起来难C# 如何检测文本文件中使用的分隔符?,c#,asp.net,csv,text-parsing,C#,Asp.net,Csv,Text Parsing,我需要能够解析CSV和TSV文件。我不能依赖用户来了解差异,因此我希望避免要求用户选择类型。是否有一种简单的方法来检测正在使用的分隔符 一种方法是读入每一行并计算制表符和逗号,然后找出哪一行最常用。当然,数据可能包括逗号或制表符,因此说起来容易做起来难 编辑:这个项目另一个有趣的方面是,当我读入文件时,我还需要检测文件的模式,因为它可能是许多模式之一。这意味着在我能够解析它之前,我不知道我有多少字段。你知道每行应该有多少字段吗?如果是这样的话,我会阅读文件的前几行,并根据它进行检查 根据我的经验
编辑:这个项目另一个有趣的方面是,当我读入文件时,我还需要检测文件的模式,因为它可能是许多模式之一。这意味着在我能够解析它之前,我不知道我有多少字段。你知道每行应该有多少字段吗?如果是这样的话,我会阅读文件的前几行,并根据它进行检查 根据我的经验,“普通”数据通常包含逗号,但很少包含制表符。这将建议您检查前几行中的制表符数量是否一致,并将该选项作为首选猜测。当然,这完全取决于你得到了什么样的数据
最终,很可能会有一个对这两种格式都完全有效的文件——所以你不能让它绝对万无一失。这必须是一项“尽力而为”的工作。您可以在预览窗口中向他们显示结果-类似于Excel的方式。很明显,在这种情况下使用了错误的分隔符。然后,您可以允许他们选择一系列分隔符,并实时更新预览
然后,您可以简单地猜测要使用的分隔符(例如,逗号或制表符排在第一位)。没有“有效”的方法。我认为您建议的解决方案是最好的方法。在格式良好的CSV或TSV文件中,每行的逗号或制表符数量应保持不变(完全没有变化)。对文件的每一行进行计数,并检查哪一行对所有行都是常量。每一行的两个delimeter的计数似乎不太可能相同,但在这种不可思议的罕见情况下,您当然可以提示用户
如果制表符和逗号的数量都不是常数,则向用户显示一条消息,告诉他们文件格式不正确,但程序认为它是一个(任何格式的每行delimeters的标准偏差最低)文件。假设每行有固定数量的字段,并且值中的任何逗号或制表符都用引号括起来(“),您应该能够计算出每行中每个字符的频率。如果字段不固定,这将更加困难,如果不使用引号括起其他分隔字符,我怀疑这几乎是不可能的(取决于数据,特定于区域设置)根据我的经验,数据很少包含制表符,所以一行制表符分隔的字段(通常)是相当明显的 不过逗号更难,尤其是在非美国地区读取数据时。如果读取在国外生成的文件,数字数据可能包含大量逗号,因为浮点数通常会包含它们
但最后,唯一安全的方法通常是尝试,然后将其呈现给用户,并允许他们进行调整,尤其是当您的数据包含逗号和/或制表符时。我假设在普通文本中,制表符非常罕见,除了第一个字符在一行中——想想缩进的段落或源代码。我想如果你找到嵌入的标签(即不带逗号的标签),您可以假设制表符被用作分隔符,并且大多数情况下都是正确的。这只是一种预感,没有经过任何研究验证。当然,我会让用户选择覆盖自动计算模式。只要读几行,计算逗号数和制表符数,然后比较它们。如果有20个逗号没有制表符,它是CSV格式的。如果有20个制表符和2个逗号(可能在数据中),则它是TSV格式的。假设您有一组您期望的标准列 我会使用FileHelper(SourceForge上的开源项目)。 定义两个阅读器模板,一个用于comas,一个用于选项卡
如果第一个失败,请尝试第二个。在Python中,csv模块中有一个嗅探器类,可用于猜测给定文件的分隔符和引号字符。其策略是(引用自csv.py的docstrings):
[首先,查找]两个相同引号之间的文本 (可能的引语)前面和后面的引语 使用相同的字符(可能的分隔符)。 例如:
,'some text',
赢得最多的报价,与分隔符相同。
如果没有引号,则无法确定分隔符
这边走
在这种情况下,请尝试以下操作:
分隔符在上出现的次数应相同
每行。但是,由于数据格式不正确,它可能不会。我们不希望
一种全有或全无的方法,因此我们允许在这方面有小的变化
号码
我不打算在这里引用源代码——它位于每个Python安装的Lib目录中 请记住,CSV也可以使用分号而不是逗号作为分隔符(例如德语版本)
$csv = 'something;something;something
someotherthing;someotherthing;someotherthing
';
$candidates = array(',', ';', "\t");
$csvlines = explode("\n", $csv);
foreach ($candidates as $candidatekey => $candidate) {
$lastcnt = 0;
foreach ($csvlines as $csvline) {
if (strlen($csvline) <= 2) continue;
$thiscnt = substr_count($csvline, $candidate);
if (($thiscnt == 0) || ($thiscnt != $lastcnt) && ($lastcnt != 0)) {
unset($candidates[$candidatekey]);
break;
}
$lastcnt = $thiscnt;
}
}
$delim = array_shift($candidates);
echo $delim;
while ((line = readFile.ReadLine()) != null)
{
if (line.Split('\t').Length > line.Split(',').Length) // tab delimited or comma delimited?
row = line.Split('\t');
else
row = line.Split(',');
parsedData.Add(row);
}
/// <summary>
/// Analyze the given lines of text and try to determine the correct delimiter used. If multiple
/// candidate delimiters are found, the highest frequency delimiter will be returned.
/// </summary>
/// <example>
/// string discoveredDelimiter = DetectDelimiter(dataLines, new char[] { '\t', '|', ',', ':', ';' });
/// </example>
/// <param name="lines">Lines to inspect</param>
/// <param name="delimiters">Delimiters to search for</param>
/// <returns>The most probable delimiter by usage, or null if none found.</returns>
public string DetectDelimiter(IEnumerable<string> lines, IEnumerable<char> delimiters) {
Dictionary<char, int> delimFrequency = new Dictionary<char, int>();
// Setup our frequency tracker for given delimiters
delimiters.ToList().ForEach(curDelim =>
delimFrequency.Add(curDelim, 0)
);
// Get a total sum of all occurrences of each delimiter in the given lines
delimFrequency.ToList().ForEach(curDelim =>
delimFrequency[curDelim.Key] = lines.Sum(line => line.Count(p => p == curDelim.Key))
);
// Find delimiters that have a frequency evenly divisible by the number of lines
// (correct & consistent usage) and order them by largest frequency
var possibleDelimiters = delimFrequency
.Where(f => f.Value > 0 && f.Value % lines.Count() == 0)
.OrderByDescending(f => f.Value)
.ToList();
// If more than one possible delimiter found, return the most used one
if (possibleDelimiters.Any()) {
return possibleDelimiters.First().Key.ToString();
}
else {
return null;
}
}