如何使用 supercsv 仅跳过 white-space 行和具有可变列的行

Question

我正在处理 CSV 解析器需求，我正在使用 supercsv 解析器库。我的 CSV 文件可以有 25 列（由制表符 (|) 分隔）和最多 100k 行以及额外的 header 行。

我只想忽略 white-space 行和包含少于 25 列的行。

我正在使用带有名称映射（将 csv 值设置为 pojo）和字段处理器（以处理验证）的 IcvBeanReader 来读取文件。

我假设 Supercsv IcvBeanReader 默认会跳过白色 space 行。但是如果一行包含少于25个列号怎么处理？

Answer 1

(1) 如果选择必须由您的 Java 程序使用 Super CSV 完成，那么（我引用）"you'll have to use CsvListReader"。特别是：listReader.length()

(2) 如果您可以通过预处理 CSV 文件来执行选择，那么您可能希望考虑合适的 command-line 工具（或工具，取决于 CSV 格式的复杂程度）。如果 CSV 文件的分隔符没有出现在任何字段中，那么 awk 就足够了。例如，如果满足假设，并且分隔符是 |，那么相关的 awk 过滤器可以像这样简单：

awk -F'|' 'NF == 25 {print}'

如果 CSV 文件格式对于 awk 的简单应用来说太复杂，那么您可能希望将复杂格式转换为更简单的格式；通常 TSV 有很多值得推荐的地方。

Answer 2

您可以通过编写自己的 Tokenizer 轻松地做到这一点。

例如，以下分词器将具有与默认分词器相同的行为，但会跳过任何列数不正确的行。

public class SkipBadColumnCountTokenizer extends Tokenizer {

    private final int expectedColumns;

    private final List<Integer> ignoredLines = new ArrayList<>();

    public SkipBadColumnCountTokenizer(Reader reader, 
            CsvPreference preferences, int expectedColumns) {
        super(reader, preferences);
        this.expectedColumns = expectedColumns;
    }

    @Override
    public boolean readColumns(List<String> columns) throws IOException {
        boolean moreInputExists;
        while ((moreInputExists = super.readColumns(columns)) && 
            columns.size() != this.expectedColumns){
            System.out.println(String.format("Ignoring line %s with %d columns: %s", getLineNumber(), columns.size(), getUntokenizedRow()));
            ignoredLines.add(getLineNumber());
        }

        return moreInputExists;

    }

    public List<Integer> getIgnoredLines(){
        return this.ignoredLines;
    }
}

以及使用此 Tokenizer 的简单测试...

@Test
public void testInvalidRows() throws IOException {

    String input = "column1,column2,column3\n" +
            "has,three,columns\n" +
            "only,two\n" +
            "one\n" +
            "three,columns,again\n" +
            "one,too,many,columns";

    CsvPreference preference = CsvPreference.EXCEL_PREFERENCE;
    int expectedColumns = 3;
    SkipBadColumnCountTokenizer tokenizer = new SkipBadColumnCountTokenizer(
        new StringReader(input), preference, expectedColumns);

    try (ICsvBeanReader beanReader = new CsvBeanReader(tokenizer, preference)) {
        String[] header = beanReader.getHeader(true);
        TestBean bean;
        while ((bean = beanReader.read(TestBean.class, header)) != null){
            System.out.println(bean);
        }
        System.out.println(String.format("Ignored lines: %s", tokenizer.getIgnoredLines()));
    }

}

打印以下输出（注意它是如何跳过所有无效行的）：

TestBean{column1='has', column2='three', column3='columns'}
Ignoring line 3 with 2 columns: only,two
Ignoring line 4 with 1 columns: one
TestBean{column1='three', column2='columns', column3='again'}
Ignoring line 6 with 4 columns: one,too,many,columns
Ignored lines: [3, 4, 6]

如何使用 supercsv 仅跳过 white-space 行和具有可变列的行

How do I skip white-space only lines and lines having variable columns using supercsv

java

csv

opencsv

supercsv