如何解析可能具有跨多行值的制表符分隔文件？答案

【问题标题】：How do I parse a tab delimited file that may have values across multiple lines?如何解析可能具有跨多行值的制表符分隔文件？
【发布时间】：2014-08-06 00:16:15
【问题描述】：

我有一个用不同数据点用制表符分隔的文件：

"ID"    "Value"
"1" "This is a value"

只需使用内置的 str 函数split，我就可以轻松地从中提取数据。但是有时我会遇到这种情况：

"ID"    "Value"
"1" "This is a value"
"2" "This is another
value"
"3" "Just one more"

第二个值跨越多行。如何完整地捕获每个数据点？

我最终想要的是一个像这样的字典列表：

[{'ID':'1', 'Value':'This is a value'}, {'ID':'2', 'Value':'This is another\nvalue'}, {'ID':'3', 'Value':'Just one more'}]

【问题讨论】：

引号（" 字符本身）如何出现在带引号的字符串中？他们逃脱了吗？有吗？
使用split('\t') 我得到'"ID"' 或'"Value"' 之类的东西。
多行是换行还是换行造成的？
你试过csv模块吗？
大概数据中的每个换行符前面都应该有一个双引号？是的？我不做 python，但我会考虑使用正则表达式来查找 "\r.

标签： python parsing multiline

【解决方案1】：

import csv
r=csv.reader(open("a.tsv"), delimiter="\t", quotechar='"')
print r.next()

这是一个可运行的示例http://codebunk.com/b/4095452/

【讨论】：

很好，我不知道csv 可以处理这种情况。

【解决方案2】：

在遍历行时，您有两种可能性：在默认情况下，您正在读取一条新记录，因此您应该像没有多行情况一样处理它。另一种情况是 previous 行没有结束记录，即它没有以引号结束。在这种情况下，您仍在添加到先前的记录。因此，您只需要跟踪上一条记录的状态以及记录本身即可解析您的文件。

类似这样的：

isNew = True
records = []
for line in file:
    if isNew:
        records.append(line.strip().split('\t'))
    else:
        records[-1][-1] += '\n' + line
    isNew = records[-1][-1].endswith('"')

【讨论】：