python - 如何在单个字段中读取带有多个引号分隔符的 csv？

Question

我希望能够拆分包含多次引用的定界符的字符串。是否存在使用 csv 模块处理此类字符串的参数？还是有其他处理方式？

text = '"a,b"-"c,d","a,b"-"c,d"'
next(csv.reader(StringIO(text), delimiter=",", quotechar='"', quoting=csv.QUOTE_NONE))

预期输出:['"a,b"-"c,d"', '"a,b"-"c,d"']

实际输出:['"a', 'b"-"c', 'd"', '"a', 'b"-"c', 'd"']

编辑:上面的例子是简化的，但显然过于简化了，因为一些评论提供了简化版本的解决方案，而不是完整版本。下面是我要处理的实际数据。

import csv
text = '"3-Amino-1,2,4-triazole"-text-0-"3-Amino-1,2,4-triazole"-CD-0,"3-Amino-1,2,4-triazole"-text-0-"3-Amino-1,2,4-triazole"-LS-0'
next(csv.reader(StringIO(text), delimiter=",", quotechar='"', quoting=csv.QUOTE_NONE))

预期输出

[
  '"3-Amino-1,2,4-triazole"-text-0-"3-Amino-1,2,4-triazole"-CD-0',
  '"3-Amino-1,2,4-triazole"-text-0-"3-Amino-1,2,4-triazole"-LS-0'
]

实际输出

[
  '"3-Amino-1',
  '2',
  '4-triazole"-text-0-"3-Amino-1',
  '2',
  '4-triazole"-CD-0','"3-Amino-1',
  '2', '4-triazole"-text-0-"3-Amino-1',
  '2',
  '4-triazole"-LS-0'
]

Answer 1

我只会回答你问题的第一部分:使用内置的 csv 模块无法做到这一点。

查看CPython源码，quotechar选项为only processed在字段的开头:

    case START_FIELD:
        /* expecting field */
        ...
        else if (c == dialect->quotechar &&
                 dialect->quoting != QUOTE_NONE) {
            /* start quoted field */
            self->state = IN_QUOTED_FIELD;
        }
        ...
        break;

在字段内，there is no such check :

    case IN_FIELD:
        /* in unquoted field */
        if (c == '\n' || c == '\r' || c == '\0') {
            /* end of line - return [fields] */
            if (parse_save_field(self) < 0)
                return -1;
            self->state = (c == '\0' ? START_RECORD : EAT_CRNL);
        }
        else if (c == dialect->escapechar) {
            /* possible escaped character */
            self->state = ESCAPED_CHAR;
        }
        else if (c == dialect->delimiter) {
            /* save field - wait for new field */
            if (parse_save_field(self) < 0)
                return -1;
            self->state = START_FIELD;
        }
        else {
            /* normal character - save in field */
            if (parse_add_char(self, module_state, c) < 0)
                return -1;
        }
        break;

当解析器处于 IN_QUOTED_FIELD 状态时，会检查 quotechar；但是，在遇到引号时，它会返回到 IN_FIELD 状态，表明我们在未引号的字段中。所以这是可能的:

>>> import csv
>>> import io
>>> print(next(csv.reader(io.StringIO('"a,b"cd,e'))))
['a,bcd', 'e']

但是一旦解析器到达初始引用部分的末尾，它会将任何后续引用视为数据的一部分。我不知道这种行为是否符合任何(成文或未成文的)CSV 规范，或者它是否只是一个错误。