使用Python和AWK两种方式实现文本处理的长拼接案例

　　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*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：

 

import sys
def readfile(rfilename,wfilename):
　　wfile=open(wfilename,'a+')
　　#wfile.write('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*机关查询\n')
　　#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 in lines[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`
do
    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`
do
 {   
    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*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
c9e780381f756308362d44172e06e46ee8758ecf  2222.csv
[root@a opt]# sha224sum 2222.csv
1f79435e1f5eefc91b1fabf66df1a25391478e0fa137a526e6bdf66e  2222.csv
[root@a opt]# sha256sum 2222.csv
bf9e8b0b25807e9b31026a56d8dc4040dd4c90e7a468b1a4d91cc3b6866dbb13  2222.csv

#生成校验文件
[root@a opt]# md5sum 2222.csv >2222_md5.txt

[root@a opt]# sha1sum 2222.csv >2222_sha1.txt

#校验文件完整性
[root@a opt]# md5sum -c 2222_md5.txt
2222.csv: ok
[root@a opt]# sha1sum -c 2222_sha1.txt
2222.csv: ok

　　更多关于校验文件生成的解读详见：https://www.jb51.net/linuxjishu/156064.html