当面对格式不规范、空格分隔的文本文件时，标准的数据导入库如pandas可能无法有效处理。本教程将指导您如何利用python和正则表达式，通过定制化的解析逻辑，识别并区分字段分隔符与数据内部的空格，从而成功地将此类“脏数据”转换为结构化的csv文件。
在数据处理的实践中，我们经常会遇到格式不规范的文本文件。这类文件通常使用不规则数量的空格来分隔字段，甚至在数据字段内部也可能包含空格，这使得传统的 pandas.read_csv 等方法难以直接处理。例如，尝试使用制表符 (sep=’t’) 或固定数量空格 (sep=r”s{2,}”) 作为分隔符，往往会导致列错位、数据丢失或解析错误。为了有效地将这类“坏”文本文件转换为结构化的CSV格式，我们需要编写自定义的python解析逻辑。
理解“坏”文本文件的挑战
问题中提供的文本数据示例很好地说明了这类文件带来的挑战：
- 不一致的空格长度： 不同字段之间分隔的空格数量不固定，这使得无法简单地通过固定宽度或统一的分隔符进行分割。
- 数据内部的空格： 某些字段（例如 Message 字段）本身包含两个或更多连续的空格（如“Rejected at level”中的“at”和“level”之间），这极易与字段分隔符混淆，导致错误的列分割。
- 空行： 文件中可能包含空行，需要被正确识别和忽略。
- 缺失值： 某些字段可能为空，表现为连续的多个空格，其长度可能与字段分隔符的长度相似。
定制化解析方案：Python与正则表达式
针对这类复杂场景，最有效的方法是采用逐行读取文件，并结合正则表达式进行精细化匹配和替换的策略。核心思想是：识别不同长度的连续空格所代表的含义——究竟是字段分隔符，还是数据本身的一部分。
以下是实现这一目标的核心Python代码，并附带详细解释：
立即学习“Python免费学习笔记（深入）”；
import re import csv def parse_bad_txt_to_table(filepath): """ 解析不规范的空格分隔文本文件，并将其转换为一个列表的列表（表格形式）。 Args: filepath (str): 待解析的文本文件路径。 Returns: list[list[str]]: 解析后的数据表格，每个内部列表代表一行。 """ table = [] try: with open(filepath, 'r', encoding='utf-8') as f: lines = f.readlines() except FileNotFoundError: print(f"错误：文件 '{filepath}' 未找到。") return [] except Exception as e: print(f"读取文件时发生错误：{e}") return [] for i, line in enumerate(lines): line = line.rstrip('n') # 移除行尾的换行符 if i == 0: # 第一行：标题行。假设标题字段之间不会有“假分隔符”， # 故可以安全地按2个或更多空格分割。 row = re.split(r' {2,}', line) table.append(row) continue if not line.strip(): # 检查是否为空行（包括只含空格的行） # 忽略空行，或者根据需要进行特定处理 continue # 对于数据行，我们需要更复杂的逻辑来区分字段分隔符和数据内部的空格 def replfunc(match_obj): """ 根据匹配到的连续空格的长度，决定是替换为单个空格（数据内部） 还是一个或多个制表符（字段分隔符）。 """ L = len(match_obj.group(0)) # 获取匹配到的连续空格的长度 # 特殊情况处理：识别数据内部的特定空格模式。 # 示例中 "Rejected at level." 内部有2个空格，这不应被视为分隔符。 start, end = match_obj.span() if L == 2 and line[:start].endswith('Rejected at') and line[end:].startswith('level.'): return ' ' # 将其替换为单个空格，保留在数据内部 # 其他连续空格被视为字段分隔符，根据其长度映射为不同数量的制表符。 # 这里的映射规则需要根据实际数据进行观察、分析和调整。 if L < 2: # 理论上不应出现少于2个空格被视为分隔符的情况，否则与数据内部空格冲突。 # 如果出现，保持不变或抛出警告。 return match_obj.group(0) elif 2 <= L <= 12: # 2到12个空格，替换为单个制表符 return 't' elif L == 17: # 17个空格，替换为两个制表符（表示中间可能存在一个空字段） return 'tt' elif L == 43: # 43个空格，替换为三个制表符 return 'ttt' elif L == 61: # 61个空格，替换为五个制表符 return 'ttttt' elif L == 120 or L == 263: # 其他特定长度的空格，替换为单个制表符 return 't' else: # 如果遇到未预料的空格长度，可以标记出来以便调试和规则完善。 # print(f"警告: 未处理的空格长度 {L} 在行 {i+1}: '{line}'") return 't' # 默认替换为单个制表符，可能需要调整 # 使用re.sub结合replfunc替换连续空格，将字段分隔符统一为制表符 tabbed_line = re.sub(r's{2,}', replfunc, line) row = tabbed_line.split('t') # 依据制表符分割字段 table.append(row) return table def write_table_to_csv(table_data, output_filepath): """ 将解析后的表格数据写入csv文件。 Args: table_data (list[list[str]]): 待写入的表格数据。 output_filepath (str): 输出CSV文件的路径。 """ try: with open(output_filepath, 'w', newline='', encoding='utf-8') as csvfile: csv_writer = csv.writer(csvfile) csv_writer.writerows(table_data) print(f"数据已成功转换为 '{output_filepath}'") except Exception as e: print(f"写入CSV文件时发生错误：{e}") # --- 示例使用 --- input_file = 'input.txt' # 假设您的原始文本文件名为input.txt output_file = 'Report.csv' # 1. 解析文本文件 parsed_data_table = parse_bad_txt_to_table(input_file) # 2. 将解析后的数据写入CSV文件 if parsed_data_table: write_table_to_csv(parsed_data_table, output_file) # --------------------------- # 以下代码用于在控制台美观地打印解析结果，便于检查（可选） def print_formatted_table(table_data): """ 在控制台以对齐的方式打印表格数据。 """ if not table_data: print("无数据可显示。") return # 计算每列的最大宽度 max_n_fields = max(len(row) for row in table_data) field_widths = [0] * max_n_fields for row in table_data: for j, field in enumerate(row): if j < max_n_fields: field_widths[j] = max(field_widths[j], len(field)) # 打印表格 for row in table_data: for j, field in enumerate(row): if j < max_n_fields: print(field.ljust(field_widths[j]), end='|') print() # print("n解析结果预览：") # print_formatted_table(parsed_data_table)
代码解析与注意事项
- 逐行处理： 文件被逐行读取，这允许我们根据行号（例如，标题行与数据行）应用不同的解析规则。rstrip(‘n’) 用于移除行尾的换行符。
- replfunc 的核心作用： 这是整个解析逻辑的关键。re.sub(r’s{2,}’, replfunc, line) 会查找所有连续两个或更多空格的序列 (s{2,})，并对每个匹配项调用 replfunc 函数。
- 区分数据内部空格与分隔符： replfunc 首先检查一个特定的模式（”Rejected at level.”），如果匹配，则将两个空格替换为单个空格，从而保留其作为数据的一部分。这种模式识别是针对特定业务逻辑的定制化处理，对于不同的文件，需要根据实际情况调整。
- 动态映射空格长度到制表符： 对于其他连续空格，replfunc 根据其长度将其替换为一个或多个制表符 (t)。例如，如果 L 是 17，它被替换为两个制表符，这暗示了在原始文本中可能存在一个空字段。这些映射规则 (L == 17 对应 tt 等) 是通过观察原始数据中不同字段分隔符的宽度总结出来的，并且可能需要根据实际文件的具体情况进行微调。这是最需要人工分析和调整的部分。
- split(‘t’)： 一旦所有字段分隔符都被统一替换为制表符，就可以简单地使用 split(‘t’) 来获取最终的字段列表。
- CSV写入： 使用Python内置的 csv 模块将解析后的数据写入CSV文件。newline=” 参数在 open() 中是重要的，它能防止在windows系统上写入额外的空行。
- 通用性限制： 这种方法高度依赖于对特定“坏”文件格式的观察和理解。如果文件格式稍有变化，replfunc 中的逻辑（特别是空格长度的映射）可能需要重新调整。对于高度不规则的文件，甚至可能需要更复杂的有限状态机或机器学习方法来自动识别模式。
- 错误处理： 示例代码中包含文件读取和写入的 try-except 块，以提高程序的健壮性。replfunc 中的 else 分支可以用于处理未预期的空格长度，这对于调试和发现新的格式模式非常有用。
总结
处理格式不规范的文本文件是一项常见的挑战，尤其当标准库无法直接胜任时。通过Python结合正则表达式的定制化解析，我们可以精确控制如何识别和处理字段分隔符，即使在数据内部存在与分隔符相似的模式。虽然这种方法需要根据具体文件格式进行细致的调整和测试，但它为解决复杂的数据清洗问题提供了一个强大而灵活的工具。在实际应用中，建议对数据进行充分的探索性分析，以建立准确的解析规则，并考虑将解析逻辑模块化，以便于维护和复用。