r - 绕过 data.table::fread 中的 "ghost"换行符或文件结尾 (EOF)

Question

我正在使用 data.table::fread 将从(我可以访问的)数据库导出的几个大型制表符分隔文本文件加载到 R 中。 fread 可以轻松快速地处理大多数文件，但其中一个文件会生成定期报告的 fread 错误:

Error in fread(read_problem, encoding = "UTF-8", na.strings = "", header = TRUE,  : 
                   Expected sep ('  ') but new line or EOF ends field ...

此处提供了包含有问题行的文件的较小版本(2000 行)( RDS file )。

到目前为止，我尝试诊断问题的方法如下:

library(data.table) # I'm using 1.9.7 development (same error with 1.9.6)
read_problem <- readRDS("read_problem.rds")
error <- fread(read_problem, encoding = "UTF-8", na.strings = "",
               header = TRUE, sep = "\t", 
               colClasses = rep("character", 44),  # For simplicity
               verbose = TRUE)

如果我删除有问题的行，问题就会消失:

cat(read_problem, file = "temp")   
string_vec <- readLines("temp")
clipped_vec <- string_vec[-1027] # Get rid of problem line 1027
restored <- paste(clipped_vec, collapse = "\n")
noerror <- fread(restored, encoding = "UTF-8", na.strings = "",
                 header = TRUE, sep = "\t", 
                 colClasses = rep("character", 44)) # For simplicity
class(noerror)
[1] "data.table" "data.frame"

dim(noerror) 
[1] 1999   44

错误消息似乎足够清楚:fread 正在寻找“\t”，但在其位置上找到了其他内容。

但是仔细观察有问题的线相对于它周围的线，我没有发现任何明显的东西。

制表符数量相同

sapply(gregexpr("\t", string_vec[1026:1028]), length)
[1] 43 43 43

换行信息似乎相同

unlist(gregexpr("\n", string_vec[1026:1028]))
[1] -1 -1 -1

下面以字符串形式查看有问题的行本身:

string_vec[1027]
[1] "URN:CornellLabOfOrnithology:EBIRD:OBS132960387\t29816\tspecies\tNelson's Sparrow\tAmmodramus nelsoni\t\t\t1\t\t\tUnited States\tUS\tGeorgia\tUS-GA\tGlynn\tUS-GA-127\tUS-GA_3181\t\t\tJekyll Island\tL140461\tH\t31.0464993\t-81.4113007\t1990-11-03\t13:15:00\t\"Jekyll Island and Causeway. Partly cloudy, mild, NE wind 8-15 mph. Note: Did very little birding in upland habitats as time available was rather brief.\"  Data entered on behalf of Paul Sykes by Alison Huff (arhuff@uga.edu) on 12-15-11.\tListed on old Georgia Field Checklist as \"Sparrow, Sharp-tailed.\"\tobsr289931\tPaul\tSykes\tS9336358\teBird - Traveling Count\tEBIRD\t270\t8.047\t\t1\t1\t\t1\t0\t\t"

有什么建议可以在不手动提取违规行的情况下解决此问题吗？

Answer 1

与与this commit ，现在已修复 v1.9.7 ，当前开发版本。因此，下一个稳定版本应该能够使用 quote="" 正确读取此内容。

require(data.table) #v1.9.7+
fread('"abcd efgh." ijkl.\tmnop "qrst uvwx."\t45\n', quote="")
#                    V1                V2 V3
# 1: "abcd efgh." ijkl. mnop "qrst uvwx." 45

<小时/>

在第 1027 行，在“Sparrow, Sharp-tailed.”末尾，只有一个选项卡。与其他行一样，在该字段之后，在“obsr[0-9]”字段开始之前有两行。

制表符的数量似乎匹配，因为在第 1027 行，“Listed on old Georgia Field”之前有一个制表符而不是空格。

因此第 1027 行只有 43 列而不是 44 列。这似乎就是问题所在。

<小时/>

再看一遍，似乎在旧的佐治亚州现场 list 上列为“尖尾麻雀”。应该作为单独的列来阅读，而是与上一列一起阅读...

这是一个较小的可重现示例:

# note that there are only 2 instead of 3 columns
fread('"abcd efgh." ijkl.\tmnop "qrst uvwx."\t45\n')
#                                     V1 V2
# 1: abcd efgh." ijkl.\tmnop "qrst uvwx. 45

# add a header column and it returns the same error
fread('a\tb\tc\n"abcd efgh." ijkl.\tmnop "qrst uvwx."\t45\n')
# Error in fread("a\tb\tc\n\"abcd efgh.\" ijkl.\tmnop \"qrst uvwx.\"\t45\n") : 
#   Expected sep (' ') but new line, EOF (or other non printing character) 
#   ends field 1 when detecting types (   first): "abcd efgh." ijkl.    mnop 
#   "qrst uvwx."    45

已提交1367 .