python awk 读文件_使用Python和AWK两种方式实现文本处理的长拼接案例-CSDN博客

最近由于业务系统新需求的需要，我们平台需要将供应商G提供一类数据转换格式后提供给客户K。比较头疼是供应商G提供的数据都是在Windows下使用Excel存储的，而客户K先前与我们相关对接人员商定的数据类型必须使用utf-8的txt文件，并且由于客户K程序处理的需要，并附带生成一个与该数据文件匹配的校验文件数据传输的结束标志。

主要操作步骤如下：

1，首先得先把.xlsx的后缀改为.csv的后缀另存，这样就可以在Linux中打开了；

2，由于Windows下编码格式基本都是gbk的，所以需要进行转码为utf-8的才能显示正常。

可以使用 iconv -fgbk -tutf8 -c -o to_file from_file 进行转码，转码后文件大致显示如下:

账号,银行,姓名,身份证号,手机号,登录邮箱,嫌疑欺诈账户使用设备,请求类型,,,是否被多家公安机关查询000167342xxx,深圳农商,深圳市XX仓储服务有限公司,,,,,止付,冻结,明细查询,是000195557xxx,深圳农商,深圳市XXX鞋材有限公司,,,,,止付,冻结,明细查询,是000251484xxx,深圳农商,深圳市XXX电子有限公司,,,,,止付,冻结,明细查询,是

实际上只有9列数据，第8、9、10是合并单元格的。

3，客户K要求9列数据使用 “|” 进行分割。

由上面转码后文件内容可知，目前以 “,” 进行分割有11列数据，第8、9、10三列继续使用 “,” 进行分割，其他使用 “|” 进行分割。就我当前知识范围来讲，可以使用两种

方式，一种是使用Python，不过脚本实现起来比较复杂。一种使用AWK的流文本处理，命令简单，建议优先采用。但是也可以使用shell利用for循环进行拼接，但是这种需要消耗大量的系统资源，并且出奇的慢，不建议使用。供应商G提供文件大概有12W行数据，使用这种方式需要近20分钟才能完成。下面分别介绍两种方式：

3.1 Python脚本如下：

importsysdefreadfile(rfilename,wfilename):

#上一行是文件的title，如果不使用这样的方式，就是用下面lines从0，也即是从第一行开始处理

with open(rfilename, 'r') as fr:

lines=fr.readlines()for line inlines[0:]:

llist=[]if len(line)>1:

words=line.split(',')if (words[0]!=''):

llist.append(words[0]+'|')

llist.append(words[1]+'|')

llist.append(words[2]+'|')

llist.append(words[3]+'|')

llist.append(words[4]+'|')

llist.append(words[5]+'|')

llist.append(words[6]+'|')

llist.append(words[7]+',')

llist.append(words[8]+',')

llist.append(words[9]+'|')

llist.append(words[10])

wstr=''.join(llist)#这里需要指定新文件列之间的分隔符为空，否则每个字段间会有多个分隔符

wfile.write(wstr+'r')#这里的行与行之间使用换行符 r ,而不是使用回车 n，如果使用回车则新文件中会生成大量空行

wfile.close()if __name__ == '__main__':

inpath=sys.argv[1]

outpath=sys.argv[2]#指定输入文件的路径和名称

rfilename=inpath+'1111.csv'

#指定输出文件路径和名称

wfilename=outpath+'3333.csv'readfile(rfilename,wfilename)#执行

[root@A opt] python $python_file $inpath $outpath

速度很快，1秒钟左右12W行就执行完了。

3.2 AWK

awk -F, '{print $1"|",$2"|",$3"|",$4"|",$5"|",$6"|",$7"|",$8",",$9",",$10"|",$11}' 1111.csv | sed 's/ //g' >>ttt2.csv

就这么简单的一个命令，12W行秒完成。

3.3 shell的方式，相比于AWK流文本处理和Python脚本，使用shell处理，至少我想出来的这个方法的确是太蠢了。

#执行前, 我先把,改成|

for line in `cat 3333.txt`

echo"`echo"$line"| awk -F"|"'BEGIN{OFS="|"} {print $1,$2,$3,$4,$5,$6,$7}'`|`echo"$line"| awk -F"|"'BEGIN{OFS=","} {print $8,$9,$10}'`|`echo"$line"| awk -F"|"'BEGIN{OFS="|"} {print $11}'`" >> 4444.txt

done#当然情况允许的话, 还可以使用并行

for line in `cat 3333.txt`

{

echo"`echo"$line"| awk -F"|"'BEGIN{OFS="|"} {print $1,$2,$3,$4,$5,$6,$7}'`|`echo"$line"| awk -F"|"'BEGIN{OFS=","} {print $8,$9,$10}'`|`echo"$line"| awk -F"|"'BEGIN{OFS="|"} {print $11}'`" >> 4444.txt

}&done

经过测试发现，并行与否好像没有多大的差别，只是稍微快了那么一丢丢，也需要近20分钟才能完成12W行的拼接。

以上三种方法处理后数据就是下面的了：

账号|银行|姓名|身份证号|手机号|登录邮箱|嫌疑欺诈账户使用设备|请求类型|是否被多家公安机关查询000167342xxx|深圳农商|深圳市XX仓储服务有限公司|||||止付,冻结,明细查询|是

000195557xxx|深圳农商|深圳市XXX鞋材有限公司|||||止付,冻结,明细查询|是

000251484xxx|深圳农商|深圳市XXX电子有限公司|||||止付,冻结,明细查询|是

001980099990xxx|农业银行|未知|||||,,明细查询|是

4，生成校验文件就很简单了，可以使用MD5的，16位的加密；也可以使用hash的，hash默认是SHA-1的，20位的加密，也有SHA-224、SHA-256、SHA-384

#命令示例

[root@A opt]#md5sum 2222.csv

d6b37d6921b0153079ef6bb976872f01 2222.csv

[root@A opt]#sha1sum 2222.csv