检测csv文件的行结束符

Question

我需要检测 csv 文件中的行尾类型：

• \n（UNIX 默认）
• \r (Mac Excel)
• \r\n (Windows)
• 或其他任何东西

为了获得分隔符、包围和转义字符，我使用了SplFileObject::getCsvControl - 如果有类似的东西作为行尾字符，那就太好了。

打开文件

Answer 1

我还没有尝试过，但我认为这是一个有趣的问题，所以这是我对可能解决方案的破解：

// first, have PHP auto-detect the line endings, like @AbraCadaver suggested:
ini_set("auto_detect_line_endings", true);

// now open the file and read a single line from it
$file = fopen('/path/to/file.csv', 'r');
fgets($file);

// fgets() moves the pointer, so get the current position
$position = ftell($file);

// now get a couple bytes (here: 10) from around that position
fseek($file, $position - 5);
$data = fread($file, 10);

// we no longer need the file
fclose($file);

// now find out how many of each type EOL there are in those 10 bytes
// expected result is that two of these will be 0 and one will be 1
$eols = array(
    "\r\n" => substr_count($data, "\r\n"),
    "\r" => substr_count($data, "\r"),
    "\n" => substr_count($data, "\n"),
);

// sort the EOL count in reverse order, so that the EOL with the highest
// count (expected: 1) will be the first item
arsort($eols);

// get the first item's key
$eol = key($eols);

// $eol will now be "\r\n", "\r" or "\n"

可能有更好的方法可以做到这一点，请注意，我在这里对您的 CSV 文件做出了一些假设：

• 文件不以空行开头；
• 第一行至少有 5 个字节长；
• 第二行不为空，也至少有 5 个字节长；
• 第一行的最后一列和最后一行的第一列不包含任何换行符；
• 您处理的不是具有混合行结尾的文件。

如果您不能依赖这些条件，则必须添加一些验证步骤，例如检查 fgets() 的结果是否实际上是一个由多个字符组成的字符串。如果行可以短于 5 个字节，您可能还必须考虑到以 可能 结尾的行是 \r\n，但是通过寻找原始字节，我们碰巧以类似的字符串结尾"abcde\r\nfg\r"，我们刚刚错过了第二个\n，你会得到一个不正确的结果。

但是，如果您可以确定 CSV 文件的结构，那么这可能是（我承认这是肮脏的）朝着正确方向迈出的一步。

Answer 2

这是一个有趣的问题 - 没有人可以在这里为您提供完整的解决方案。显而易见的方法是：

1) 继续读取文件，直到第一次出现 \r 或 \n。前者的情况，再读一个字符，看后面是否跟\n。

这听起来很简单 - 但您需要实现引用处理以确定 EOL 是否嵌入在引用的数据字段中 - 而且您不知道如何引用数据。除了检测开始和结束引号之外，您还需要能够确定引号字符是否被转义 - 并且至少有 2 种不同的方式来转义引号字符。

2) 分析文件中字符出现的频率。如果您可以忽略空格、alhpa 字符和数字，那么其余最常见的应该是 CSV 元字符。但这些不适用于非常短的文件。

3) 在文件中创建数据字符串的表示形式，并寻找重复的模式，例如如果你找到 number, space, alpha, space, number, punctuation, number, spache, alpha, punctuation, alpha, space, number, punctuation, number, space, alpha, space, number, punctuation 那么你可能会认为字段分隔符是一个空格，记录由标点分隔，标点也可以显示为嵌入字符。

但这需要一些非常复杂的代码。

如果是我，我会询问提供文件的人提供文件格式的详细信息。或者，如果该信息不可用，则使用十六进制编辑器打开文件。

Answer 3

我使用了@rickdenhaan 解决方案，发现 arsort() 和 PHP 版本存在问题。

如果 eol 为 "\r\n"，则 $eols 数组将为：

数组("\r\n" => 1, "\r" => 1, "\n" => 1);

（因为除了1个“\r\n”还发现了1个“\r”和1个“\n”）

并且对于 PHP 7，在 arsort($eols) 之后，键顺序是相同的：

数组("\r\n" => 1, "\r" => 1, "\n" => 1);

在“$eol = key($eols);”之后$eol 将是“\r\n”

但是对于 PHP 5.6，在 arsort($eols) 之后，键的顺序是：

数组("\n" => 1, "\r" => 1, "\r\n" => 1);

在“$eol = key($eols);”之后$eol 将是“\n”

我在 "$eol = key($eols);" 之后用这个检查解决了：

if (($eols["\r\n"] == $eols["\r"]) AND ($eols["\r\n"] == $eols["\n"])) {
    $line_separator = "\r\n";
}