☰

删除 CSV 文件中每个字段中的重复模式/条目

tag-icon • tag-icon text-processing awk perl unicode csv-simple
删除 CSV 文件中每个字段中的重复模式/条目

如何使用以下示例作为数据删除每个单独字段中的重复条目。

0x,9.4,,,#0,#UNIX#unix,#cli#L#فا#0#فا#0#L#SE#Cli#SE,#فارسی#فارسی#۱#1#١#1,bsh,#V & v

预期输出（删除所有重复的、不区分大小写、Unicode“波斯语#۱/阿拉伯语#١”的差异、条目顺序以及应保留哪个条目（忽略大小写）在这里并不重要）：

0x,9.4,,,#0,#unix,#cli#L#فا#0#SE,#فارسی#١#۱#1,bsh,#V & v

该模式采用这种格式#x，x表示一个或多个字符长度的任何内容。

波斯语/阿拉伯语字母/数字差异的 Unicode 表

答案1

用一个shell 中的命令行（只需几行），并带有适当的解析器：

perl -CS -Mopen=":std,IN,OUT,IO,:encoding(utf8)" -MText::CSV -lne '
    BEGIN{
        our $csv = Text::CSV->new({ sep_char => "," });
        sub uniq { my %seen;  grep !$seen{lc $_}++, @_; }
    };
    $csv->parse($_) or die "parse error";
    print join ",", map { join "#", uniq split /#/ } $csv->fields();
' file.csv

输出 ：

0x,9.4,,,#0,#UNIX,#cli#L#فا#0#SE,#فارسی#۱#1#١,bsh,#V & v

笔记 ：

  • 需要安装Text::CSVperl 模块：sudo apt-get install libtext-csv-perl对于 debian 和衍生版本

答案2

完全的Python解决方案：

uniq_arabic_csv.py脚本：

#!/bin/python

import sys, re

csv_data = sys.stdin.read().strip()
result = []

for item in csv_data.split(','):
    matches = list(re.finditer(r'#[^#]+', item, re.U | re.I))
    if not matches or len(matches) == 1:
        result.append(item)
    else:
        s, res = set(), []
        for m in matches:
            m = m.group()
            if m.lower() not in s: res.append(m)
            s.add(m.lower())
        result.append(''.join(res))

result = ','.join(result)                    
print(result)

用法：

s="0x,9.4,,,#0,#UNIX#unix,#cli#L#فا#0#فا#0#L#SE#Cli#SE,#فارسی#فارسی#۱#1#۱#1,bsh,#V & v"
python uniq_arabic_csv.py <<<"$s"

输出：

0x,9.4,,,#0,#UNIX,#cli#L#فا#0#SE,#فارسی#۱#1,bsh,#V & v

答案3

我awk也在下面编写了简单的解决方案：

awk -F, '{ i=0; comma=""; while (++i<=NF) {
    if ( split(tolower($i), arr, /#/)>1 ){ for(v in arr) !unq[arr[v]]++;printf comma;
        for (x in unq) {printf (x!="")?hash""x:""; hash="#"; delete unq[x]}}
    else {printf comma""$i; comma=","}}; print ""
}' infile.csv

相关内容