Question

假设您有20个文件，并且您不会查看每个文件，而是让脚本确定文件的格式。

即bash findFileFormat direcName

然后循环遍历目录中的每个文件并打印出文件名以及它是否有分隔符（在这种情况下是逗号，管道或其他）或用字段分隔符固定，然后是什么是记录分隔符。即CR，LF，Ctrl + Z character.etc

我在想，因为某些文件可能在数据中有很多管道和逗号，它可以使用每行每个字符的计数来确定分隔符是什么 - ＆gt;如果此过程不会为每行生成一致的字符数，则可以安全地假设该文件使用固定宽度的字段分隔符。

是否有可用于确定每个文件的这2位信息的命令或脚本？

Answer 1

这是一个小的python脚本，它将作为您需要的起点：

import sys

separators = [',', '|']
file_name = sys.argv[1]

def sep_cnt(line):
  return {sep:line.count(sep) for sep in separators}

with open(file_name, 'r') as inf:
  lines = inf.readlines()

cnts = [sep_cnt(line) for line in lines]
print(cnts)

def cnts_red(a, b):
  c = {}
  for k, v in a.iteritems():
    if v > 0 and v == b[k]:
      c[k] = v
  return c

final = reduce(cnts_red, cnts[1:], cnts[0])

if len(final) == 0:
  ftype = 'fixed'
else:
  ftype = 'sep by ' + str(final.iteritems().next()[0])

print(ftype)

将上面的heur_sep.py命名为安全地运行（例如/ tmp）：

# Prepare
rm *.txt

# Commas
cat >f1.txt <<e
a,a,a,a
b,b,b,b
c,c,c,c
e

# Pipes
cat >f2.txt <<e
a|a|a|a
b|b|b|b
c|c|c|c
e

# Fixed width
cat >f3.txt <<e
1  2  3
1  2  3
1  2  3
e

# Fixed width with commas
cat >f4.txt <<e
1, 2  3
1  2, 3
1  2, 3,
e

for i in *.txt; do
  echo --- $i
  python heur_sep.py $i
done

你必须做更多的工作才能使其抵抗各种错误，但这应该是一个很好的起点。希望这可以帮助。

unix - 自动确定字段分隔符和记录（EOL）分隔符？

1 个答案: