Python 如何动态标识数据文件中的未知分隔符？

我有三个输入数据文件。每种方法对其中包含的数据使用不同的分隔符。数据文件1如下所示：

apples | bananas | oranges | grapes quarter, dime, nickel, penny horse cow pig chicken goat 它将打印包含所有可接受字符计数的词典。在每种情况下，空格总是赢的，所以我不能依靠它来告诉我分隔符是什么。

但是我想不出更好的方法来做这件事

---

有什么建议吗？

如果您使用的是python，我建议您使用所有有效的预期分隔符在线调用：

>>> l = "big long list of space separated words"
>>> re.split(r'[ ,|;"]+', l)
['big', 'long', 'list', 'of', 'space', 'separated', 'words']

唯一的问题是其中一个文件使用分隔符作为数据的一部分

如果必须识别分隔符，最好的办法是计算除空格以外的所有内容。如果几乎没有出现，则可能是空格，否则是映射字符的最大值

---

不幸的是，真的没有办法确定。可以用逗号填充空格分隔的数据，也可以用分号填充|分隔的数据。它可能并不总是有效。

试试Python CSV的标准怎么样：

---

由于空间的问题，我最终选择了正则表达式。这是我完成的代码，以防有人感兴趣，或者可以使用其中的任何其他内容。顺便说一句，找到一种动态识别列顺序的方法是很好的，但我意识到这有点棘手。与此同时，我正在用老把戏来解决这个问题

用于填充glob.glob（os.path.join（self.\u input\u dir，self.\u file\u mask））：
#想不出一个办法把它变成一个街区
#（而不是三个独立的if/elif。但是您可以看到拆分是
#如果有人能想出更好的方法，
#我洗耳恭听！！：）
对于打开的行（填充，'r'）。readlines（）：
如果infle.find（'逗号'）>-1：
datefmt=“%m/%d/%Y”
最后，第一，性别，颜色，多勃劳=\
[x.strip（）用于重新拆分中的x（r'[，|“\t]+'，行）]
elif infle.find（'space'）>-1:
datefmt=“%m-%d-%Y”
最后一个、第一个、未使用、性别、多臂、颜色=\
[x.strip（）用于重新拆分（r'[，|“\t]+'，行）]中的x

elif infle.find（'pipe'）>-1：
datefmt=“%m-%d-%Y”
最后，第一，未使用，性别，颜色，多臂=\
[x.strip（）用于重新拆分中的x（r'[，|“\t]+'，行）]
#还有一种方法可以通过csv.Sniffer实现这一点，但是
#管道分隔符周围的空格也会混淆嗅探器，因此
#我不能用它。
否则：raise VALUERROR（INFLE+“不是可接受的输入文件。”）

这并不能真正解决问题。
在这种情况下，我得到的结果是，文件中的每个字符都被分割成自己的列表，比如：“['a']['p']['p']['l']['e']['s'][''.[''.''.['.'.'.]等等…”。相反，我想把每一行分成一个列表，“[‘苹果’、‘香蕉’、‘橘子’、‘葡萄’””，我想你是在尝试识别分隔符，这样你就可以分隔数据了。你为什么要识别分隔符？@Greg Gauthier:非常抱歉。我的意思是说重新分开。我已更改了答案以反映正确的方法。

infle='Data/pipe.txt'records=open（infle，'r'）。读取（）记录中的行：print line.split（'|，；\t'）

@Greg Gauthier，您可以尝试在正则表达式中添加+（请参见答案）。然后它将匹配连续的分隔符并删除大部分空列表项。ooh。那个很有趣！版本2.6中有吗？+1：一定要使用csv模块。解析带分隔符的文件，特别是当它们可能包含转义分隔符、带引号的字符串中的分隔符、带引号的字符串中的换行符等时，对于正则表达式来说并不是什么工作。一个正则表达式解决方案迟早会失败，错误会很微妙，很难找到。这是一个很好的答案——但对于OPs的第一个例子来说，它不起作用。输入的

苹果|香蕉|橙子|葡萄

声明分隔符为

'

。如果删除管道周围的空格，它将按预期工作。这是csv模块上的一个有趣功能，但如果您有

，请小心

作为分隔符（csv的另一个常用分隔符），并且任何其他值上都有逗号，嗅探器将返回

，

作为分隔符。示例

sniffer.sniff（'quarter，cent；dime；nickel；penny'）。分隔符将返回
，
，但如果您对分隔符的外观有所了解，可以设置具有优先级的分隔符：
sniffer.preferred=['；'，'|]
>>> l = "big long list of space separated words"
>>> re.split(r'[ ,|;"]+', l)
['big', 'long', 'list', 'of', 'space', 'separated', 'words']

import csv

sniffer = csv.Sniffer()
dialect = sniffer.sniff('quarter, dime, nickel, penny')
print dialect.delimiter
# returns ','

for infile in glob.glob(os.path.join(self._input_dir, self._file_mask)):
            #couldn't quite figure out a way to make this a single block 
            #(rather than three separate if/elifs. But you can see the split is
            #generalized already, so if anyone can come up with a better way,
            #I'm all ears!! :)
            for row in open(infile,'r').readlines():
                if infile.find('comma') > -1: 
                    datefmt = "%m/%d/%Y"
                    last, first, gender, color, dobraw = \
                            [x.strip() for x in re.split(r'[ ,|;"\t]+', row)]
                elif infile.find('space') > -1: 
                    datefmt = "%m-%d-%Y"
                    last, first, unused, gender, dobraw, color = \
                            [x.strip() for x in re.split(r'[ ,|;"\t]+', row)]

                elif infile.find('pipe') > -1:
                    datefmt = "%m-%d-%Y"
                    last, first, unused, gender, color, dobraw = \
                            [x.strip() for x in re.split(r'[ ,|;"\t]+', row)]
                    #There is also a way to do this with csv.Sniffer, but the 
                    #spaces around the pipe delimiter also confuse sniffer, so
                    #I couldn't use it.
                else: raise ValueError(infile + "is not an acceptable input file.")