使用具有引用值的 RSQLite 加载数据

Question

我正在尝试使用 RSQLite 包（我也尝试过 sqldf 包）将大型 csv 文件加载到 SQL lite 数据库中。该文件包含所有英国邮政编码及其各种查找值。

我想避免将其加载到 R 中，而直接将其加载到数据库中。虽然这对于这项任务来说并不是绝对必要的，但我想这样做是为了让该技术为更大的文件做好准备，如果我将来必须处理它们，这些文件将不适合内存。

不幸的是，csv 提供了双引号中的值，而 dbWriteTable 函数似乎无法以任何形式剥离或忽略它们。这里是文件的下载位置：http://ons.maps.arcgis.com/home/item.html?id=3548d835cff740de83b527429fe23ee0

这是我的代码：

# Load library
library("RSQLite")

# Create a temporary directory
tmpdir <- tempdir()

# Set the file name
file <- "data\\ONSPD_MAY_2017_UK.zip"

# Unzip the ONS Postcode Data file
unzip(file, exdir = tmpdir )

# Create a path pointing at the unzipped csv file
ONSPD_path <- paste0(tmpdir,"\\ONSPD_MAY_2017_UK.csv")

# Create a SQL Lite database connection
db_connection <- dbConnect(SQLite(), dbname="ons_lkp_db")

# Now load the data into our SQL lite database
dbWriteTable(conn = db_connection,
              name = "ONS_PD",
              value = ONSPD_path,
              row.names = FALSE,
              header = TRUE,
              overwrite = TRUE
              )

# Check the data upload
dbListTables(db_connection)
dbGetQuery(db_connection,"SELECT pcd, pcd2, pcds from ONS_PD  LIMIT 20")

遇到这个问题后，我找到了推荐使用 sqldf 包的参考教程 (https://www.r-bloggers.com/r-and-sqlite-part-1/)，但不幸的是，当我尝试在 sqldf (read.csv.sql) 中使用相关函数时，我遇到了同样的问题双引号。

当将 csv 文件导入 sql 系统时，这感觉是一个相当普遍的问题，大多数导入工具都能够处理双引号，所以我很惊讶遇到这个问题（除非我错过了一个明显的帮助文件途中某个地方的问题）。

编辑 1

以下是我的 csv 文件中的一些示例数据，以 SQL 表的 dput 输出形式：

structure(list(pcd = c("\"AB1 0AA\"", "\"AB1 0AB\"", "\"AB1 0AD\"", 
"\"AB1 0AE\"", "\"AB1 0AF\""), pcd2 = c("\"AB1  0AA\"", "\"AB1  0AB\"", 
"\"AB1  0AD\"", "\"AB1  0AE\"", "\"AB1  0AF\""), pcds = c("\"AB1 0AA\"", 
"\"AB1 0AB\"", "\"AB1 0AD\"", "\"AB1 0AE\"", "\"AB1 0AF\"")), .Names = c("pcd", 
"pcd2", "pcds"), class = "data.frame", row.names = c(NA, -5L))

编辑 2

这是我在 sqldf 的 read.csv.sql 函数中使用 filter 参数的尝试（请注意，Windows 用户需要为此安装 rtools）。不幸的是，这似乎仍然没有从我的数据中删除引号，尽管它确实神秘地删除了所有空格。

library("sqldf")
sqldf("attach 'ons_lkp_db' as new")
db_connection <- dbConnect(SQLite(), dbname="ons_lkp_db")
read.csv.sql(ONSPD_path,
              sql = "CREATE TABLE ONS_PD AS SELECT * FROM file",
              dbname = "ons_lkp_db",
              filter = 'tr.exe -d ^"'
              )

dbGetQuery(db_connection,"SELECT pcd, pcd2, pcds from ONS_PD  LIMIT 5")

另外，感谢那些认为这不是 Stack Overflow 范围内的编程问题的人的密切投票（？！）。

Answer 1

老实说，我找不到任何东西来解决这个问题。 sqldf 文档告诉 “所以，.csv 文件的一个限制是引号 在文件中不被视为特殊，因此数据字段中的逗号，例如 “史密斯，詹姆斯” 将被视为字段分隔符，引号将作为数据的一部分输入 可能不是我们想要的”

所以，据我所知，似乎没有解决方案。

一种可能的次优方法（其他在文本编辑器中明显的查找和替换） 就是使用这样的SQL命令

dbSendQuery(db_connection,"UPDATE ONS_PD SET pcd = REPLACE(pcd, '\"', '')")

Answer 2

RSQLite 包中的 CSV 导入器源自 sqlite3 shell，它在导入 CSV 文件时似乎不支持引用值（How to import load a .sql or .csv file into SQLite?、doc）。你可以使用readr::read_delim_chunked():

callback <- function(data) {
  name <- "ONS_PD"
  exists <- dbExistsTable(con, name)
  dbWriteTable(con, name, data, append = exists)
}

readr::read_delim_chunked(ONSPD_path, callback, ...)

用 CSV 文件所需的任何额外参数替换 ...。

Answer 3

使用带有 filter 参数的 sqldf 包中的 read.csv.sql，并提供任何实用程序来去除双引号或将它们转换为空格。

该问题没有提供完全可重现的最小示例，但我在下面提供了一个。如果您使用read.csv.sql 来选择行或列的子集，那么只需添加适当的sql 参数即可。

首先设置测试输入数据，然后尝试如下所示的任一单行解决方案。假设 Windows，请确保 tr 实用程序（在 R 的 Rtools 发行版中找到）或第三方 csvfix 实用程序（找到 here，对于 Linux 还请参见 this）或 trquote2space.vbs vbscript 实用程序（参见末尾的注释）已打开你的路径：

library(sqldf)
cat('a,b\n"1","2"\n', file = "tmp.csv")

# 1 - corrected from FAQ
read.csv.sql("tmp.csv", filter = "tr.exe -d '^\"'")

# 2 - similar but does not require Windows cmd quoting
read.csv.sql("tmp.csv", filter = "tr -d \\42")

# 3 - using csvfix utility (which must be installed first)
read.csv.sql("tmp.csv", filter = "csvfix echo -smq")

# 4 - using trquote2space.vbs utility as per Note at end
read.csv.sql("tmp.csv", filter = "cscript /nologo trquote2space.vbs")

其中任何一个给出：

  a b
1 1 2

您还可以使用任何其他合适的语言或实用程序。例如，可以使用您的 Powershell 建议，尽管我怀疑 tr 和 csvfix 等专用实用程序会运行得更快。

上面的第一个解决方案是从常见问题解答中更正的。 （它在多年前编写常见问题解答时确实有效，但现在在 Windows 10 中对其进行测试似乎需要指定的更改，或者降价可能从最初所在的 Google 代码迁移到github，它使用了稍微不同的 markdown 风格。）

对于 Linux，tr 本身是可用的，尽管引用与 Windows 不同，甚至可以依赖于 shell。 csvfix 在 Linux 上也可用，但必须安装。上面显示的 csvfix 示例在 Windows 和 Linux 上的工作方式相同。 vbscript 显然是特定于 Windows 的。

注意： sqldf 带有一个用 vbscript 编写的 mini-tr 实用程序。如果您将相关行更改为：

Dim sSearch  : sSearch  = chr(34)
Dim sReplace : sReplace = " "

并将名称更改为 trquote2space.vbs 然后您将拥有一个特定于 Windows 的实用程序来将双引号更改为空格。