Javascript 如何使用Node.js解析脏CSV?
由于许多错误,我对无法正确解析的CSV文件摸不着头脑。我提取了一个示例,您可以在此处下载: 主要错误(或产生错误的原因)有:Javascript 如何使用Node.js解析脏CSV?,javascript,node.js,parsing,csv,Javascript,Node.js,Parsing,Csv,由于许多错误,我对无法正确解析的CSV文件摸不着头脑。我提取了一个示例,您可以在此处下载: 主要错误(或产生错误的原因)有: 引号和逗号(尝试使用R解析文件时出现许多错误) 空行 字段内意外的换行 在将数据加载到R之前,我首先决定使用正则表达式逐行清理数据,但无法解决问题,而且速度很慢(200Mo文件) 因此,我决定在Node.js下使用一个包含以下代码的文件: 'use strict'; const Fs = require('fs'); const Csv = require('cs
- 引号和逗号(尝试使用R解析文件时出现许多错误)
- 空行
- 字段内意外的换行
'use strict';
const Fs = require('fs');
const Csv = require('csv');
let input = 'data_stack.csv';
let readStream = Fs.createReadStream(input);
let option = {delimiter: ',', quote: '"', escape: '"', relax: true};
let parser = Csv.parse(option).on('data', (data) => {
console.log(data)
});
readStream.pipe(parser)
但是:
- 某些行被正确解析(字符串数组)
- 有些字段未被解析(所有字段都是一个字符串)
- 某些行仍然为空(可以通过向选项中添加
来解决)跳过空行:true
- 我不知道如何处理意外的断线
console.log()代码>
我得到了一个合适的对象,但当我试图将其字符串化时,我没有得到一个干净的CSV(仍然有换行符和空行)
以下是我正在使用的代码:
'use strict';
const Fs = require('fs');
const Csv = require('csv');
let input = 'data_stack.csv';
let output = 'data_output.csv';
let readStream = Fs.createReadStream(input);
let writeStream = Fs.createWriteStream(output);
let opt = {delimiter: ',', quote: '"', escape: '"', relax: true, skip_empty_lines: true};
let transformer = Csv.transform(data => {
let dirty = data.toString();
let replace = dirty.replace(/\r\n"/g, '\r\n').replace(/"\r\n/g, '\r\n').replace(/""/g, '"');
return replace;
});
let parser = Csv.parse(opt);
let stringifier = Csv.stringify();
readStream.pipe(transformer).pipe(parser).pipe(stringifier).pipe(writeStream);
编辑2:
下面是最后一个有效的代码:
'use strict';
const Fs = require('fs');
const Csv = require('csv');
let input = 'data_stack.csv';
let output = 'data_output.csv';
let readStream = Fs.createReadStream(input);
let writeStream = Fs.createWriteStream(output);
let opt = {delimiter: ',', quote: '"', escape: '"', relax: true, skip_empty_lines: true};
let transformer = Csv.transform(data => {
let dirty = data.toString();
let replace = dirty
.replace(/\r\n"/g, '\r\n')
.replace(/"\r\n/g, '\r\n')
.replace(/""/g, '"');
return replace;
});
let parser = Csv.parse(opt);
let cleaner = Csv.transform(data => {
let clean = data.map(l => {
if (l.length > 100 || l[0] === '+') {
return l = "Encoding issue";
}
return l;
});
return clean;
});
let stringifier = Csv.stringify();
readStream.pipe(transformer).pipe(parser).pipe(cleaner).pipe(stringifier).pipe(writeStream);
谢谢大家 以下是我的评论: 数据太混乱,无法一步修复,请不要尝试 首先确定双引号和/或逗号是否可能是数据的一部分。如果不是,请使用简单的正则表达式删除双引号 接下来,每行应该有14个逗号。以文本形式读取文件,然后依次计算每行的逗号数。如果小于14,则检查下一行,如果逗号之和为14,则合并两行。如果总和小于14,请检查下一行并继续,直到有14个逗号。如果下一行超过14,则会出现严重错误,因此请记下行号-您可能需要手动修复。保存结果文件 幸运的是,您现在将拥有一个可以作为CSV处理的文件。如果没有,请返回部分整理过的文件,我们可以尝试进一步提供帮助
不用说,你应该处理一份原件的副本,你不可能第一次就把它弄对:)数据没有太乱,无法处理。有一个明确的模式 一般步骤:
good,clean,data,here,"""<-BEGINNING OF FIELD DATA> Oh no
++\n\n<br/>whats happening,, in here, pages of chinese
characters etc END OF FIELD ->""",more,clean,data
我不知道如何使这个CSV干净,无论是用R还是用
Node.js
事实上,情况并不像看上去那么糟
使用以下步骤可以轻松地将此文件转换为有效的csv:
- 将所有
替换为“
”
- 将所有
替换为\n“
\n
- 将所有
替换为“\n
\n
\n
表示换行,而不是文件中出现的字符“\n
”
请注意,在示例文件中,\n
实际上是\r\n
(0x0d
,0x0a
),因此,根据您使用的软件,您可能需要在上述示例中替换\r\n
中的\n
。此外,在您的示例中,最后一行后面有一个换行符,因此最后一个字符的引号也将被替换,但您可能希望在原始文件中对此进行检查
这将生成一个有效的csv文件:
仍然会有多行字段,但这可能是有意的。但现在这些字段被正确引用,任何合适的csv解析器都应该能够处理多行字段
看起来原始数据有一个转义引号字符的额外过程:
- 如果原始字段包含一个
,则引用它们,如果这些字段已经包含引号,则使用另一个引号转义引号-这是正确的方法,
- 但是,所有包含引号的行似乎都被再次引用(实际上将这些行转换为一个带引号的字段),并且该行中的所有引号都用另一个引号转义
- 显然,多行字段出了问题。在多行之间也添加了引号,这不是正确的方法
fs.readFile('./data_stack.csv', (e, data) => {
// Take out fields that are delimited with double+ quotes
var dirty = data.toString();
var matches = dirty.match(/""[\s\S]*?""/g);
matches.forEach((m,i) => {
dirty = dirty.replace(m, "<REPL-" + i + ">");
});
var cleanData = dirty
.split('\n') // get lines
// ignore first line with column names
.filter((l, i) => i > 0)
// remove first and last quotation mark if exists
.map(l => l[0] === '"' ? l.substring(1, l.length-2) : l) // remove quotes from quoted lines
// split into columns
.map(l => l.split(','))
// return replaced fields back to data (columsn 7,8 and 9)
.map(col => {
if (col.length > 9) {
col[7] = returnField(col[7]);
col[8] = returnField(col[8]);
col[9] = returnField(col[9]);
}
return col;
function returnField(f) {
if (f) {
var repls = f.match(/<.*?>/g)
if (repls)
repls.forEach(m => {
var num = +m.split('-')[1].split('>')[0];
f = f.replace(m, matches[num]);
});
}
return f;
}
})
return cleanData
});
...,
[ '19403',
'560e348d2adaffa66f72bfc9',
'done',
'276',
'2015-10-02T07:38:53.172Z',
'20151002',
'560e31f69cd6d5059668ee16',
'""560e336ef3214201030bf7b5""',
'a+�a��a+�a+�a��a+�a��a+�a��',
'',
'560e2e362adaffa66f72bd99',
'55f8f041b971644d7d861502',
'foo',
'foo',
'foo@bar.com',
'bar.com' ],
[ '20388',
'560ce1a467cf15ab2cf03482',
'update',
'231',
'2015-10-01T07:32:52.077Z',
'20151001',
'560ce1387494620118c1617a',
'""""""Final test, with a comma""""""',
'',
'',
'55e6dff9b45b14570417a908',
'55e6e00fb45b14570417a92f',
'foo',
'foo',
'foo@bar.com',
'bar.com' ],