csv - 如何读取非 UTF8 编码的 csv 文件?
问题描述
使用csv crate 和最新的 Rust 版本 1.31.0,我想用 ANSI (Windows 1252) 编码读取 CSV 文件,就像在 UTF-8 中一样容易。
在阅读了以下文件中的整个文件后,我尝试过的事情(没有运气)Vec<u8>
:
事实上,在我的公司,我们有很多 ANSI 编码的 CSV 文件。
另外,如果可能的话,我希望不要加载整个文件,Vec<u8>
而是逐行加载(CRLF
结尾),因为许多文件都很大(50 Mb 或更多......)。
在文件Cargo.toml中,我有这个依赖:
[dependencies]
csv = "1"
test.csv包含以下保存为 Windows-1252 编码的内容:
Café;au;lait
Café;au;lait
main.rs文件中的代码:
extern crate csv;
use std::error::Error;
use std::fs::File;
use std::io::BufReader;
use std::path::Path;
use std::process;
fn example() -> Result<(), Box<Error>> {
let file_name = r"test.csv";
let file_handle = File::open(Path::new(file_name))?;
let reader = BufReader::new(file_handle);
let mut rdr = csv::ReaderBuilder::new()
.delimiter(b';')
.from_reader(reader);
// println!("ANSI");
// for result in rdr.byte_records() {
// let record = result?;
// println!("{:?}", record);
// }
println!("UTF-8");
for result in rdr.records() {
let record = result?;
println!("{:?}", record);
}
Ok(())
}
fn main() {
if let Err(err) = example() {
println!("error running example: {}", err);
process::exit(1);
}
}
输出是:
UTF-8
error running example: CSV parse error: record 0 (line 1, field: 0, byte: 0): invalid utf-8: invalid UTF-8 in field 0 near byte index 3
error: process didn't exit successfully: `target\debug\test-csv.exe` (exit code: 1)
使用时rdr.byte_records()
(取消注释代码的相关部分),输出为:
ANSI
ByteRecord(["Caf\\xe9", "au", "lait"])
解决方案
我怀疑这个问题没有具体说明。特别是不清楚为什么您对ByteRecord
API 的使用不足。在 csv crate 中,字节记录专门针对这种情况存在,在这种情况下,您的 CSV 数据不是严格的 UTF-8,而是采用与 ASCII 兼容的替代编码,例如 Windows-1252。(ASCII 兼容编码是 ASCII 是子集的编码。Windows-1252 和 UTF-8 都与 ASCII 兼容。UTF-16 不兼容。)上面的代码示例显示您正在使用字节记录,但没有t 解释为什么这是不够的。
话虽如此,如果您的目标是将数据转换为 Rust 的字符串数据类型 ( String
/ &str
),那么您唯一的选择是将 CSV 数据的内容从 Windows-1252 转码为 UTF-8。这是必要的,因为 Rust 的字符串数据类型使用 UTF-8 作为其内存表示。您不能使用 Windows-1252 编码的 Rust String
/ &str
,因为 Windows-1252 不是 UTF-8 的子集。
其他评论建议使用encoding
板条箱。但是,如果您的用例与专门针对 Web的编码标准encoding_rs
解决的相同用例一致,我建议您使用 。幸运的是,我相信存在这样的一致性。
为了满足您以流方式读取 CSV 数据的标准,而无需先将整个内容加载到内存中,您需要在encoding_rs
crate 周围使用一个包装器,为您实现流解码。板条箱为您提供了这个encoding_rs_io
。(它在ripgrep内部用于在搜索 UTF-8 之前进行快速流解码。)
这是一个使用 Rust 2018 将上述所有内容组合在一起的示例程序:
use std::fs::File;
use std::process;
use encoding_rs::WINDOWS_1252;
use encoding_rs_io::DecodeReaderBytesBuilder;
fn main() {
if let Err(err) = try_main() {
eprintln!("{}", err);
process::exit(1);
}
}
fn try_main() -> csv::Result<()> {
let file = File::open("test.csv")?;
let transcoded = DecodeReaderBytesBuilder::new()
.encoding(Some(WINDOWS_1252))
.build(file);
let mut rdr = csv::ReaderBuilder::new()
.delimiter(b';')
.from_reader(transcoded);
for result in rdr.records() {
let r = result?;
println!("{:?}", r);
}
Ok(())
}
与Cargo.toml
:
[package]
name = "so53826986"
version = "0.1.0"
edition = "2018"
[dependencies]
csv = "1"
encoding_rs = "0.8.13"
encoding_rs_io = "0.1.3"
和输出:
$ cargo run --release
Compiling so53826986 v0.1.0 (/tmp/so53826986)
Finished release [optimized] target(s) in 0.63s
Running `target/release/so53826986`
StringRecord(["Café", "au", "lait"])
特别是,如果你换掉rdr.records()
,rdr.byte_records()
那么我们可以更清楚地看到发生了什么:
$ cargo run --release
Compiling so53826986 v0.1.0 (/tmp/so53826986)
Finished release [optimized] target(s) in 0.61s
Running `target/release/so53826986`
ByteRecord(["Caf\\xc3\\xa9", "au", "lait"])
即,您的输入包含Caf\xE9
,但字节记录现在包含Caf\xC3\xA9
。这是将233
(编码为其文字字节\xE9
)的 Windows-1252 代码点值转换U+00E9 LATIN SMALL LETTER E WITH ACUTE
为 UTF-8 编码为 的结果\xC3\xA9
。
推荐阅读
- c# - 如何让代码每天运行一次并被阻止到凌晨 1 点
- java - 将保存点添加到数据流
- r - str_sub 使用 ifelse 返回 NA
- angular - Angular Observables
- java - 防止 Common Navigator Framework 中的树标签和图像重叠
- javascript - 如何在打字稿中获得“this”的范围
- spring - Spring MVC 圆形视图路径
- c# - UWP 等待 Textbox.Textchanged 事件触发
- vue.js - 使用具有不同路由但具有不同道具的相同视图组件
- neo4j - 几乎相等的 Cypher 查询,执行时间大不相同