在 Ruby 中解析制表符分隔文件的最佳方法是什么？

Question

在 Ruby 中解析制表符分隔文件的最佳（最有效）方法是什么？

Answer 1

实际上有两种不同类型的 TSV 文件。

1. TSV 文件实际上是分隔符设置为 Tab 的 CSV 文件。这是你会得到的东西，例如将 Excel 电子表格另存为“UTF-16 Unicode 文本”。此类文件使用 CSV 引用规则，这意味着字段可能包含制表符和换行符，只要它们被引用，并且文字双引号被写入两次。正确解析所有内容的最简单方法是使用 csv gem：

   use 'csv'
   parsed = CSV.read("file.tsv", col_sep: "\t")
   

2. 符合IANA standard 的TSV 文件。不允许使用制表符和换行符作为字段值，并且没有任何引用。这是你会得到的东西，例如选择整个 Excel 电子表格并将其粘贴到文本文件中（注意：如果某些单元格确实包含制表符或换行符，它将变得混乱）。可以使用简单的line.rstrip.split("\t", -1) 轻松逐行解析此类 TSV 文件（注意 -1，它可以防止 split 删除空的尾随字段）。如果您想使用csv gem，只需将quote_char 设置为nil：

   use 'csv'
   parsed = CSV.read("file.tsv", col_sep: "\t", quote_char: nil)
   

Answer 2

我喜欢 mmmries 的回答。但是，我讨厌 ruby​​ 从拆分结束时剥离任何空值的方式。它也不会在行尾剥离换行符。

另外，我有一个字段中包含潜在换行符的文件。所以，我重写了他的“解析”如下：

def parse
  open(filepath) do |f|
    headers = f.gets.strip.split("\t")
    f.each do |line|
      myline=line
      while myline.scan(/\t/).count != headers.count-1
        myline+=f.gets
      end
      fields = Hash[headers.zip(myline.chomp.split("\t",headers.count))]
      yield fields
    end
  end
end

这会根据需要连接任何行以获得完整的数据行，并始终返回完整的数据集（最后没有潜在的 nil 条目）。

Answer 3

TSV 的规则实际上与 CSV 有点不同。主要区别在于 CSV 提供了在字段内粘贴逗号，然后在字段内使用引号字符和转义引号的规定。我写了一个简单的例子来展示简单的响应是如何失败的：

require 'csv'
line = 'boogie\ttime\tis "now"'
begin
  line = CSV.parse_line(line, col_sep: "\t")
  puts "parsed correctly"
rescue CSV::MalformedCSVError
  puts "failed to parse line"
end

begin
  line = CSV.parse_line(line, col_sep: "\t", quote_char: "Ƃ")
  puts "parsed correctly with random quote char"
rescue CSV::MalformedCSVError
  puts "failed to parse line with random quote char"
end

#Output:
# failed to parse line
# parsed correctly with random quote char

如果您想使用 CSV 库，您可以使用您不希望在文件中看到的随机引号字符（示例显示了这一点），但您也可以使用更简单的方法，例如下面显示的 StrictTsv 类无需担心字段引用即可获得相同的效果。

# The main parse method is mostly borrowed from a tweet by @JEG2
class StrictTsv
  attr_reader :filepath
  def initialize(filepath)
    @filepath = filepath
  end

  def parse
    open(filepath) do |f|
      headers = f.gets.strip.split("\t")
      f.each do |line|
        fields = Hash[headers.zip(line.split("\t"))]
        yield fields
      end
    end
  end
end

# Example Usage
tsv = Vendor::StrictTsv.new("your_file.tsv")
tsv.parse do |row|
  puts row['named field']
end

选择使用 CSV 库还是更严格的库仅取决于向您发送文件的人以及他们是否希望遵守严格的 TSV 标准。

有关 TSV 标准的详细信息，请访问http://en.wikipedia.org/wiki/Tab-separated_values

Answer 4

Ruby CSV 库允许您指定字段分隔符。 Ruby 1.9 使用FasterCSV。这样的事情会起作用：

require "csv"
parsed_file = CSV.read("path-to-file.csv", { :col_sep => "\t" })