当其中有 HTML 转义字符串时，使用 python (pandas) 读取 CSV 文件

Question

我正在尝试使用 pandas read_csv 读取 CSV 文件。数据看起来像这样（示例）

thing;weight;price;colour
apple;1;2;red
m & m's;0;10;several
cherry;0,5;2;dark red

由于 HTML 转义的 & 符号，根据 pandas，第二行将包含 5 个字段。我如何确保正确读取该内容？

这里的示例几乎是我的数据的样子：分隔符是“;”，没有字符串引号，cp1251 编码。 我收到的数据非常大，读取它必须一步完成（意味着在 python 之外没有预处理）。

我在 pandas 文档中没有找到任何参考资料（我使用的是 pandas 0.19 和 python 3.5.1）。有什么建议？提前致谢。

Answer 1

Unescape the html character references:

import html
with open('data.csv', 'r', encoding='cp1251') as f, open('data-fixed.csv', 'w') as g:
    content = html.unescape(f.read())
    g.write(content)
print(content)
# thing;weight;price;colour
# apple;1;2;red
# m & m's;0;10;several
# cherry;0,5;2;dark red

然后以通常的方式加载 csv：

import pandas as pd
df = pd.read_csv('data-fixed.csv', sep=';')
print(df)

产量

     thing weight  price    colour
0    apple      1      2       red
1  m & m's      0     10   several
2   cherry    0,5      2  dark red

---

虽然数据文件“相当大”，但您似乎有足够的内存将其读入 DataFrame。因此，您还应该有足够的内存将文件读入单个字符串：f.read()。一次调用 html.unescape 转换 HTML 比在许多较小的字符串上调用 html.unescape 更高效。这就是为什么我建议使用

with open('data.csv', 'r', encoding='cp1251') as f, open('data-fixed.csv', 'w') as g:
    content = html.unescape(f.read())
    g.write(content)

而不是类似的东西

with open('data.csv', 'r', encoding='cp1251') as f, open('data-fixed.csv', 'w') as g:
    for line in f:
        g.write(html.unescape(line))

---

如果您需要多次读取此数据文件，则需要修复它（并保存它 到磁盘），因此您无需在每次解析时都调用html.unescape 数据。这就是为什么我建议将未转义的内容写入data-fixed.csv。

如果读取此数据是一次性任务，并且您希望避免写入磁盘的性能或资源成本，那么您可以使用 StringIO（内存中类似文件的对象）：

from io import StringIO
import html
import pandas as pd

with open('data.csv', 'r', encoding='cp1251') as f:
    content = html.unescape(f.read())
df = pd.read_csv(StringIO(content), sep=';')
print(df)

Answer 2

您可以使用正则表达式作为pandas.read_csv 的分隔符 在您的具体情况下，您可以尝试：

pd.read_csv("test.csv",sep = "(?<!&amp);")
#         thing weight  price    colour
#0        apple      1      2       red
#1  m &amp; m's      0     10   several
#2       cherry    0,5      2  dark red

选择前面没有&amp的所有;，这可以扩展到其他转义字符