`
oaklet
  • 浏览: 108867 次
  • 性别: Icon_minigender_1
  • 来自: 北京
社区版块
存档分类
最新评论

文本处理学习笔记5

阅读更多
环境如下:
python-2.5.2

工作中经常遇到类似csv格式的文件文件,
为了处理起来方便,一般要导入到数据库中

MYSQL导入工具代码:
# coding:UTF-8 

import os
import sys
import time
import MySQLdb

perread = 1048576 # 1M
original = 32
size_list = []
for i in range(125):
    size_list.append(original)
    original = original + 32
def getSize(aName, aSize):
    for i in size_list:
        if aSize<i:
            return i
    raise ValueError("字段太长 '%s' %s"%(aName, aSize))

def loadCSV(fileName, separtor="	"):
    print "loadCSV", fileName, "..."
    tf = file(fileName, "r")
    connMys = MySQLdb.connect(host="127.0.0.1", user="root", passwd="pass", db="test", charset="UTF8")
    begin = time.time()

    mark = 0
    count = 0
    currLines = tf.readlines(perread)
    count = count + len(currLines) - 1
    currTable = [i.rstrip().split(separtor) for i in currLines if len(i.rstrip())>0]
    columnName = currTable[0]
    for i in columnName:
        if not i:
            raise ValueError("字段名不能为空!")
    columnCount = len(columnName)
    currTable = fillSpace(currTable, columnCount)
    currTable = distinctColumn(currTable)
    aName = os.path.split(fileName)[1].split(".")[0]
    dropSQL, createSQL, insertSQL = buildCreate(aName, currTable)

    cursorMys = connMys.cursor()
    print dropSQL, ";"
    cursorMys.execute(dropSQL)
    print createSQL, ";"
    cursorMys.execute(createSQL)
    connMys.commit()
    print insertSQL, ";"
    for i in currTable[1:]:
        cursorMys.execute(insertSQL, i)
    connMys.commit()
    print "insert", count, "lines."

    while tf.tell() > mark:
        mark = tf.tell()
        currLines = tf.readlines(perread)
        if not tf.tell() > mark:
            break
        count = count + len(currLines)
        currTable = [i.rstrip().split(separtor) for i in currLines if len(i.rstrip())>0]
        currTable = fillSpace(currTable, columnCount)
        for i in currTable:
            cursorMys.execute(insertSQL, i)
        connMys.commit()
        print "insert", count, "lines."

    end = time.time()
    print "Count:%s Time:%s"%(count, end - begin)
    cursorMys.close()
    connMys.close()
    tf.close()

def fillSpace(aTable, colCount):
    for ii, iv in enumerate(aTable):
        while len(iv) < colCount:
            iv.append("")
        if len(iv) != colCount:
            raise ValueError("字段不够多!" + str(iv))
    return aTable

def distinctColumn(aTable):
    columnNames = aTable[0]
    ucolumnNames = set(columnNames)
    if len(columnNames)==len(ucolumnNames):
        return aTable
    tcinclude = []
    tcexclude = []
    for i, v in enumerate(columnNames):
        if v in tcinclude:
            print "字段竟然重复", v
            tcexclude.append(i)
        else:
            tcinclude.append(v)
    result = []
    for i in aTable:
        result.append([v for j, v in enumerate(i) if j not in tcexclude])
    return result

def buildCreate(aName, aTable):
    columnNames = aTable[0]
    columnSizes = [getSize(k, len(v)) for k, v in zip(aTable[0], aTable[1])]
    for i in aTable[2:]:
        for j, v in enumerate(i):
            if not len(v)<columnSizes[j]:
                columnSizes[j] = getSize(columnNames[j], len(v))

    dropSQL = "DROP TABLE IF EXISTS " + aName
    createSQL = ["CREATE TABLE IF NOT EXISTS " + aName]
    createSQL.append("(")
    for k, v in zip(columnNames, columnSizes):
        currLines = "  %s VARCHAR(%s),"%(k, v)
        createSQL.append(currLines)
    createSQL[-1] = "  %s VARCHAR(%s)"%(k, v)
    createSQL.append(")")
    k = ", ".join(columnNames)
    v = ", ".join(["%s" for i in range(len(columnNames))])
    insertSQL = "INSERT INTO %s (%s) VALUES (%s)"%(aName, k, v)
    return (dropSQL, "\n".join(createSQL), insertSQL)

def usage():
    print "CSVloader -h"
    print "CSVloader -f bsc.csv bts.csv"
    print "CSVloader -d dir1 dir2"
    print "CSVloader -f bsc.csv bts.csv -s ,"
    print "CSVloader -d dir1 dir2 -s ,"
    print "CSVloader -s , -f bsc.csv bts.csv"
    print "CSVloader -s , -d dir1 dir2"
    print "  Options include:"
    print "    -h [help]     - 打印帮助"
    print "    -s [separtor] - 使用的分割符,默认 tab"
    print "    -f [fileName] - 文件名,可以指定多个"
    print "    -d [dirName]  - 文件夹,可以指定多个"
    print
    print "    注意:文件必须是 UTF-8 编码"

if __name__ == "__main__":
    if "-h" in sys.argv:
        usage()
    elif "-d" in sys.argv:
        separtor = "	"
        idxf = sys.argv.index("-d")
        if "-s" in sys.argv:
            idxs = sys.argv.index("-s")
            separtor = sys.argv[idxs+1]
            if idxs>idxf:
                for i in sys.argv[idxf+1:idxs]:
                    for j in os.listdir(i):
                        loadCSV(os.path.join(i, j), separtor)
            else:
                for i in sys.argv[idxf+1:]:
                    for j in os.listdir(i):
                        loadCSV(os.path.join(i, j), separtor)
        else:
            for i in sys.argv[idxf+1:]:
                for j in os.listdir(i):
                    loadCSV(os.path.join(i, j), separtor)
    elif "-f" in sys.argv:
        separtor = "	"
        idxf = sys.argv.index("-f")
        if "-s" in sys.argv:
            idxs = sys.argv.index("-s")
            separtor = sys.argv[idxs+1]
            if idxs>idxf:
                for i in sys.argv[idxf+1:idxs]:
                    loadCSV(i, separtor)
            else:
                for i in sys.argv[idxf+1:]:
                    loadCSV(i, separtor)
        else:
            for i in sys.argv[idxf+1:]:
                loadCSV(i, separtor)
    else:
        usage()




使用方法如下:
CSVloader -h
CSVloader -f bsc.csv bts.csv
CSVloader -d dir1 dir2
CSVloader -f bsc.csv bts.csv -s ,
CSVloader -d dir1 dir2 -s ,
CSVloader -s , -f bsc.csv bts.csv
CSVloader -s , -d dir1 dir2
  Options include:
    -h [help]     - 打印帮助
    -s [separtor] - 使用的分割符,默认 tab
    -f [fileName] - 文件名,可以指定多个
    -d [dirName]  - 文件夹,可以指定多个

    注意:文件必须是 UTF-8 编码

顺便写了个bat文件:
CSVloader.bat
@echo off
python CSVloader.py %*

(WinXP SP2,MySQL 5.0下使用通过,MySQL数据库使用UTF8编码,csv文件使用UTF8编码)
测试文本:A_OBJECT.txt
oid,city,type,pid
7,邢台市,103,7
8,廊坊市,103,8
1,沧州市,103,1
3,高邑县,104,4
4,河间市,104,1
2,赵县,104,4


Oracle导入工具:
# coding:GBK 

import os
import sys
import time
import cx_Oracle

perread = 1048576 # 1M
# original = 64
# size_list = []
# while original<4000:
#     size_list.append(original)
#     original = original*2
original = 32
size_list = []
for i in range(125):
    size_list.append(original)
    original = original + 32
def getSize(aName, aSize):
    for i in size_list:
        if aSize<i:
            return i
    raise ValueError("字段太长 '%s' %s"%(aName, aSize))

def loadCSV(fileName, separtor="	"):
    print "loadCSV", fileName, "..."
    tf = file(fileName, "r")
    connOra = cx_Oracle.connect("user", "pass", "192.168.1.110:1521/testdb")
    begin = time.time()

    mark = 0
    count = 0
    currLines = tf.readlines(perread)
    count = count + len(currLines) - 1
    currTable = [i.rstrip().split(separtor) for i in currLines if len(i.rstrip())>0]
    columnName = currTable[0]
    for i in columnName:
        if not i:
            raise ValueError("字段名不能为空!")
    columnCount = len(columnName)
    currTable = fillSpace(currTable, columnCount)
    currTable = distinctColumn(currTable)
    aName = os.path.split(fileName)[1].split(".")[0]
    createSQL, insertSQL = buildCreate(aName, currTable)

    cursorOra = connOra.cursor()
    print createSQL, ";"
    cursorOra.execute(createSQL)
    connOra.commit()
    print insertSQL, ";"
    cursorOra.prepare(insertSQL)
    cursorOra.executemany(None, currTable[1:])
    connOra.commit()
    print "insert", count, "lines."

    while tf.tell() > mark:
        mark = tf.tell()
        currLines = tf.readlines(perread)
        if not tf.tell() > mark:
            break
        count = count + len(currLines)
        currTable = [i.rstrip().split(separtor) for i in currLines if len(i.rstrip())>0]
        currTable = fillSpace(currTable, columnCount)
        cursorOra.executemany(None, currTable)
        connOra.commit()
        print "insert", count, "lines."

    end = time.time()
    print "Count:%s Time:%s"%(count, end - begin)
    cursorOra.close()
    connOra.close()
    tf.close()

def fillSpace(aTable, colCount):
    for ii, iv in enumerate(aTable):
        while len(iv) < colCount:
            iv.append("")
        if len(iv) != colCount:
            raise ValueError("字段不够多!" + str(iv))
    return aTable

def distinctColumn(aTable):
    columnNames = aTable[0]
    ucolumnNames = set(columnNames)
    if len(columnNames)==len(ucolumnNames):
        return aTable
    tcinclude = []
    tcexclude = []
    for i, v in enumerate(columnNames):
        if v in tcinclude:
            print "字段竟然重复", v
            tcexclude.append(i)
        else:
            tcinclude.append(v)
    result = []
    for i in aTable:
        result.append([v for j, v in enumerate(i) if j not in tcexclude])
    return result

def buildCreate(aName, aTable):
    columnNames = aTable[0]
    columnSizes = [getSize(k, len(v)) for k, v in zip(aTable[0], aTable[1])]
    for i in aTable[2:]:
        for j, v in enumerate(i):
            if not len(v)<columnSizes[j]:
                columnSizes[j] = getSize(columnNames[j], len(v))

    createSQL = ["CREATE TABLE " + aName]
    createSQL.append("(")
    for k, v in zip(columnNames, columnSizes):
        currLines = "  %s VARCHAR2(%s),"%(k, v)
        createSQL.append(currLines)
    createSQL[-1] = "  %s VARCHAR2(%s)"%(k, v)
    createSQL.append(")")
    k = ", ".join(columnNames)
    v = ", ".join([":%s"%(i+1) for i in range(len(columnNames))])
    insertSQL = "INSERT INTO %s (%s) VALUES (%s)"%(aName, k, v)
    return ("\n".join(createSQL), insertSQL)

def usage():
    print "CSVloader -h"
    print "CSVloader -f bsc.csv bts.csv"
    print "CSVloader -d dir1 dir2"
    print "CSVloader -f bsc.csv bts.csv -s ,"
    print "CSVloader -d dir1 dir2 -s ,"
    print "CSVloader -s , -f bsc.csv bts.csv"
    print "CSVloader -s , -d dir1 dir2"
    print "  Options include:"
    print "    -h [help]     - 打印帮助"
    print "    -s [separtor] - 使用的分割符,默认 tab"
    print "    -f [fileName] - 文件名,可以指定多个"
    print "    -d [dirName]  - 文件夹,可以指定多个"
    print
    print "    注意:文件必须是 GBK 编码"

if __name__ == "__main__":
    if "-h" in sys.argv:
        usage()
    elif "-d" in sys.argv:
        separtor = "	"
        idxf = sys.argv.index("-d")
        if "-s" in sys.argv:
            idxs = sys.argv.index("-s")
            separtor = sys.argv[idxs+1]
            if idxs>idxf:
                for i in sys.argv[idxf+1:idxs]:
                    for j in os.listdir(i):
                        loadCSV(os.path.join(i, j), separtor)
            else:
                for i in sys.argv[idxf+1:]:
                    for j in os.listdir(i):
                        loadCSV(os.path.join(i, j), separtor)
        else:
            for i in sys.argv[idxf+1:]:
                for j in os.listdir(i):
                    loadCSV(os.path.join(i, j), separtor)
    elif "-f" in sys.argv:
        separtor = "	"
        idxf = sys.argv.index("-f")
        if "-s" in sys.argv:
            idxs = sys.argv.index("-s")
            separtor = sys.argv[idxs+1]
            if idxs>idxf:
                for i in sys.argv[idxf+1:idxs]:
                    loadCSV(i, separtor)
            else:
                for i in sys.argv[idxf+1:]:
                    loadCSV(i, separtor)
        else:
            for i in sys.argv[idxf+1:]:
                loadCSV(i, separtor)
    else:
        usage()


(WinXP SP2,Oracle 11下使用通过,Oracle数据库使用GBK编码,csv文件使用GBK编码)


注意一下,小工具拿到文件后,
会以文件名作为表名,开始造表(create),
字段全部为字符串,各个字段长度会根据
第一批读入的数据进行计算(第一批读1M,可以调,防大文件用的),
还要注意一下
MySQL版本与Oracle版本有点区别,
MySQL版本有自动删除表功能,先试着删除一遍,才会建表,导入数据;
Oracle版本没有加删除表功能,只有建表导入数据过程。
(MySQL一般只在自己本本上使用,所以导入,改改文件再导入方便,无需去手动删除表,
Oracle一般会在服务器上导数据用,怕删掉不该删除的东西,所以未加这个功能)
再有MySQL版用UTF8编码,Oracle版用的GBK编码,这个跟数据库的设置有关
UTF8编码与GBK编码转换,可参考使用文本学习笔记3的批量转换工具
当然,文件不多也可以用文本编辑器手动另存转换。















分享到:
评论

相关推荐

    h5前端学习笔记

    【标题】"h5前端学习笔记"所涵盖的知识点主要集中在HTML5技术及其在前端开发中的应用。HTML5是超文本标记语言的最新版本,它引入了许多新的元素、API和特性,极大地增强了网页的交互性、可访问性和可用性。 【描述...

    J2ME学习笔记 入门 学习经验

    j2me学习笔记【5】——抛出异常处理的小例子 j2me学习笔记【6】——获取日期时间 j2me学习笔记【7】——复选框的应用 j2me学习笔记【8】——TextField的使用实例 j2me学习笔记【9】——List中复选框的使用实例 j2me...

    C语言学习笔记 C语言学习笔记

    本压缩包包含的“C语言学习笔记”是一份详尽的C语言学习资料,旨在帮助读者深入理解和掌握C语言的基本概念、语法结构以及实际应用技巧。 一、C语言基础 C语言的基础包括变量、数据类型、运算符、流程控制等。变量...

    Linux学习笔记(强悍总结值得一看)_linux_linux学习笔记_

    这份"Linux学习笔记(强悍总结值得一看)"是Linux初学者的宝贵资源,也适合有经验的用户作为参考手册。以下是对笔记内容的详细概述: 1. **Linux常用命令**: Linux命令行是其强大的工具,掌握常用命令是Linux学习...

    java学习笔记markdown

    【Java学习笔记Markdown版】是针对Java初学者和进阶者的一份详尽教程,以Markdown格式编写,便于阅读和整理。Markdown是一种轻量级的标记语言,它允许用户使用易读易写的纯文本格式编写文档,然后转换成结构化的HTML...

    perl个人学习笔记

    Perl是一种强大的脚本编程语言,尤其适合文本处理和系统管理任务。在个人的学习过程中,掌握其基本语法和特性是至关重要的。以下是对标题和描述中提及的一些关键知识点的详细解释: 1. **操作符**: Perl中的`x`操作...

    Python学习笔记.pdf

    ### Python学习笔记知识点详解 #### 一、Python简介与特性 **标题与描述解析:** "Python学习笔记.pdf" 的标题直接指出了文档的主题——Python的学习资料,而描述的重复表明该文档的主要内容即为Python的学习笔记...

    有关hsql处理文本数据库的笔记

    这篇笔记将探讨如何使用HSQL处理文本数据库,结合标签"源码"和"工具",我们将深入理解HSQL的功能和应用。 首先,让我们了解HSQL的基本概念。HSQLDB是一个完全Java编写的数据库,这意味着它可以在任何支持Java的平台...

    超详细的web前端基础学习笔记

    本学习笔记涵盖了 web 前端开发的基础知识,包括 HTML 的基本结构、文档类型声明、常见的文本和列表标签、分区标签以及图片标签的使用方法。对于初学者而言,这些内容是构建网页的基础,而掌握这些基础知识是进一步...

    JSP_Servlet学习笔记(第2版).pdf

    《JSP & Servlet学习笔记(第2版)》涵盖了文本处理、图片验证、自动登录、验证过滤器、压缩处理、JSTL应用与操作等各种实用范例。 《JSP & Servlet学习笔记(第2版)》以“微博”项目贯穿全书,将JSP & Servlet技术应用...

    Python学习笔记--皮大庆.pdf.zip

    4. **字符串操作**:Python对字符串处理提供了丰富的函数,包括字符串连接、查找、替换、格式化输出等,了解正则表达式可以进行更复杂的文本处理。 5. **控制流**:通过if-elif-else语句进行条件判断,for和while...

    java学习笔记模版

    【Java学习笔记模版】 Java实习工程师在学习过程中,会涉及到许多关键知识点,尤其是在企业级开发的场景下。从给出的四天学习笔记来看,实习生正在逐步掌握Java Web开发的基础和核心技能。以下是对这些知识点的详细...

    Python学习笔记(干货) 中文PDF完整版.pdf

    这份"Python学习笔记"涵盖了从环境搭建到基础语法,再到数据类型和控制结构等关键知识点,旨在为初学者提供全面的学习指导。 首先,1.1章节介绍了Python的基础,包括Python的起源和历史。Python是由Guido van ...

    机器学习笔记完整版.pdf

    文档的更新历史表明,该学习笔记不断地被更新和完善,以确保其内容的准确性和时效性。作者黄海广对笔记进行了多次修改和补充,以修正错误并增加新的内容,比如OCTAVE操作内容、数学基础和公式推导等。这体现了作者对...

    Python学习笔记-王纯业

    【Python学习笔记-王纯业】是一份专为Python初学者设计的教程,由王纯业编撰。这个教程深入浅出地介绍了Python编程的基础知识,帮助初学者快速上手。下面将详细阐述该教程中可能包含的重要知识点,以及Python入门者...

    JSP&Servlet学习笔记.pdf

    本书还涵盖了文本处理、图片验证、自动登录、验证过滤器、压缩处理、JSTL应用与操作等各种实用范例。  本书在讲解的过程中,以“微博”项目贯穿全书,随着每一章的讲述都在适当的时候将JSP & Servlet技术应用于...

    java gui学习笔记

    在"java gui学习笔记"中,我们主要关注两个核心概念:组件(Components)和事件处理(Event Handling)。 首先,GUI界面设计通常涉及各种组件,如按钮(Buttons)、菜单项(MenuItems)、文本字段(TextFields)等...

    Oracle学习笔记.pdf

    以下是对Oracle学习笔记中提到的一些关键知识点的详细解释: 1. **SQL执行顺序**: SQL语句的执行顺序是:`FROM` -&gt; `WHERE` -&gt; `SELECT` -&gt; `GROUP BY` -&gt; `HAVING` -&gt; `ORDER BY`。首先从`FROM`子句开始,确定...

Global site tag (gtag.js) - Google Analytics