Python通用数据格式转换工具
已独立成项目在github上面 dataformat
涉及模块 os, getopt, sys
需求
在进行hadoop测试时，需要造大量数据，例如某个表存在56列，但实际程序逻辑只适用到某几列，我们造的数据 也只需要某几列
构造几列数据，转化为对应数据表格式
源代码
#!/usr/bin/env python
# -*- coding: utf-8 -*-
#dataformat.py
# wklken@yeah.net
#this script change data from your source to the dest data format
#2011-08-05 created version0.1
#2011-10-29 add row-row mapping ,default row value .rebuild all functions. version0.2
#next:add data auto generate by re expression
#2011-12-17 add new functions, add timestamp creator. version0.3
#2012-03-08 rebuild functions. version0.4
#2012-06-22 add function to support multi output separators
#2012-07-11 fix bug line 44,add if
#2012-09-03 rebuild functions,add help msg! version0.5
#2012-11-08 last version edited by lingyue.wkl
# this py: https://github.com/wklken/pytools/blob/master/data_process/dataformat.py
import os
import sys
import getopt
import time
import re
#read file and get each line without \n
def read_file(path):
f = open(path, "r")
lines = f.readlines()
f.close()
return [line[:-1] for line in lines ]
#处理一行，转为目标格式，返回目标行
def one_line_proc(parts, total, ft_map, outsp, empty_fill, fill_with_sno):
outline = []
#step1.获取每一列的值
for i in range(1, total + 1):
if i in ft_map:
fill_index = ft_map[i]
#加入使用默认值列 若是以d开头，后面是默认，否则取文件对应列 done
if fill_index.startswith("d"):
#列默认值暂不开启时间戳处理
outline.append(fill_index[1:])
else:
outline.append(handler_specal_part(parts[int(fill_index) - 1]))
else:
#-s 选项生效，填充列号
if fill_with_sno:
outline.append(str(i))
#否则，填充默认填充值
else:
outline.append(empty_fill)
#step2.组装加入输出分隔符，支持多分隔符
default_outsp = outsp.get(0,"\t")
result = []
outsize = len(outline)
for i in range(outsize):
result.append(outline[i])
if i < outsize - 1:
result.append(outsp.get(i + 1, default_outsp))
#step3.拼成一行返回
return ''.join(result)
#处理入口，读文件，循环处理每一行，写出
#输入数据分隔符默认\t,输出数据默认分隔符\t
def process(inpath, total, to, outpath, insp, outsp, empty_fill, fill_with_sno, error_line_out):
ft_map = {}
#有效输入字段数（去除默认值后的）
in_count = 0
used_row = []
#step1-3相当于数据预处理，解析传入选项
#step1 处理映射列 不能和第二步合并
for to_row in to:
if r"\:" not in to_row and len(to_row.split(":")) == 2:
used_row.append(int(to_row.split(":")[1]))
if r"\=" not in str(to_row) and len(str(to_row).split("=")) == 2:
pass
else:
in_count += 1
#step2 处理默认值列
for to_row in to:
#处理默认值列
if r"\=" not in str(to_row) and len(str(to_row).split("=")) == 2:
ft_map.update({int(to_row.split("=")[0]): "d"+to_row.split("=")[1]})
continue
#处理列列映射
elif r"\:" not in to_row and len(to_row.split(":")) == 2:
ft_map.update({int(to_row.split(":")[0]): to_row.split(":")[1]})
continue
#其他普通列
else:
to_index = 0
for i in range(1, total + 1):
if i not in used_row:
to_index = i
break
ft_map.update({int(to_row): str(to_index)})
used_row.append(to_index)
#setp3 处理输出分隔符 outsp 0=\t,1= 0代表默认的，其他前面带列号的代表指定的
if len(outsp) > 1 and len(outsp.split(",")) > 1:
outsps = re.findall(r"\d=.+?", outsp)
outsp = {}
for outsp_kv in outsps:
k,v = outsp_kv.split("=")
outsp.update({int(k): v})
else:
outsp = {0: outsp}
#step4 开始处理每一行
lines = read_file(inpath)
f = open(outpath, "w")
result = []
for line in lines:
#多个输入分隔符情况，使用正则切分成列
if len(insp.split("|")) > 0:
parts = re.split(insp, line)
#否则使用正常字符串切分成列
else:
parts = line.split(insp)
#正常的，切分后字段数大于等于配置的选项个数
if len(parts) >= in_count:
outline = one_line_proc(parts, total, ft_map, outsp, empty_fill, fill_with_sno)
result.append(outline + "\n")
#不正常的，列数少于配置
else:
#若配置了-e 输出，否则列数不符的记录过滤
if error_line_out:
result.append(line + "\n")
#step5 输出结果
f.writelines(result)
f.close()
#特殊的处理入口，处理维度为每一行,目前只有时间处理
def handler_specal_part(part_str):
#timestamp 时间处理
#时间列，默认必须 TS数字=时间
if part_str.startswith("TS") and "=" in part_str:
ts_format = {8: "%Y%m%d",
10: "%Y-%m-%d",
14: "%Y%m%d%H%M%S",
19: "%Y-%m-%d %H:%M:%S"}
to_l = 0
#step1 确认输出的格式 TS8 TS10 TS14 TS19
if part_str[2] != "=":
to_l = int(part_str[2:part_str.index("=")])
part_str = part_str.split("=")[1].strip()
interval = 0
#step2 存在时间+-的情况 确认加减区间
if "+" in part_str:
inputdate = part_str.split("+")[0].strip()
interval = int(part_str.split("+")[1].strip())
elif "-" in part_str:
parts = part_str.split("-")
if len(parts) == 2: #20101020 - XX
inputdate = parts[0].strip()
interval = -int(parts[1].strip())
elif len(parts) == 3: #2010-10-20
inputdate = part_str
elif len(parts) == 4: #2010-10-20 - XX
inputdate = "-".join(parts[:-1])
interval = -int(parts[-1])
else:
inputdate = part_str
else:
inputdate = part_str.strip()
#step3 将原始时间转为目标时间
part_str = get_timestamp(inputdate, ts_format, interval)
#step4 如果定义了输出格式，转换成目标格式，返回
if to_l > 0:
part_str = time.strftime(ts_format.get(to_l), time.localtime(int(part_str)))
return part_str
#将时间由秒转化为目标格式
def get_timestamp(inputdate, ts_format, interval=0):
if "now()" in inputdate:
inputdate = time.strftime("%Y%m%d%H%M%S")
inputdate = inputdate.strip()
try:
size = len(inputdate)
if size in ts_format:
ts = time.strptime(inputdate, ts_format.get(size))
else:
print "the input date and time expression error,only allow 'YYYYmmdd[HHMMSS]' or 'YYYY-MM-DD HH:MM:SS' "
sys.exit(0)
except:
print "the input date and time expression error,only allow 'YYYYmmdd[HHMMSS]' or 'YYYY-MM-DD HH:MM:SS' "
sys.exit(0)
return str(int(time.mktime(ts)) + interval)
#打印帮助信息
def help_msg():
print("功能：原数据文件转为目标数据格式")
print("选项:")
print("\t -i inputfilepath [必输，input, 原文件路径]")
print("\t -t n [必输，total, n为数字，目标数据总的域个数]")
print("\t -a '1,3,4' [必输，array, 域编号字符串，逗号分隔。指定域用原数据字段填充，未指定用'0'填充]")
print("\t -a '3,5=abc,6:2' 第5列默认值abc填充,第6列使用输入的第1列填充，第3列使用输入第1列填充")
print("\t -o outputfilepath [可选，output, 默认为 inputfilepath.dist ]")
print("\t -F 'FS' [可选，field Sep，原文件域分隔符，默认为\\t,支持多分隔符，eg.'\t||\|' ]")
print("\t -P 'OFS' [可选，out FS，输出文件的域分隔符，默认为\\t,可指定多个，多个需指定序号=分隔符,逗号分隔,默认分隔符序号0 ]")
print("\t -f 'fill_str' [可选，fill，未选列的填充值，默认为空 ]")
print("\t -s [可选，serial number,当配置时，-f无效，使用列号填充未指派的列]")
print("\t -e [可选，error, 源文件列切分不一致行/空行/注释等，会被直接输出，正确行按原逻辑处理]")
sys.exit(0)
#判断某个参数必须被定义
def must_be_defined(param, map, error_info):
if param not in map:
print error_info
sys.exit(1)
#程序入口，读入参数，执行
def main():
#init default value
insp = "\t"
outsp = "\t"
empty_fill = ''
fill_with_sno = False
error_line_out = False
#handle options
try:
opts,args = getopt.getopt(sys.argv[1:],"F:P:t🅰️i⭕f:hse")
for op,value in opts:
if op in ("-h", "-H", "--help"):
help_msg()
if op == "-i":
inpath = value
elif op == "-o":
outpath = value
elif op == "-t":
total = int(value)
elif op == "-a":
to = value.split(",")
elif op == "-F":
insp = value.decode("string_escape")
elif op == "-P":
outsp = value.decode("string_escape")
elif op == "-f":
empty_fill = value
elif op == "-s":
fill_with_sno = True
elif op == "-e":
error_line_out = True
if len(opts) < 3:
print(sys.argv[0]+" : the amount of params must great equal than 3")
print("Command : ./dataformat.py -h")
sys.exit(1)
except getopt.GetoptError:
print(sys.argv[0]+" : params are not defined well!")
print("Command : ./dataformat.py -h")
sys.exit(1)
params_map = dir()
must_be_defined('inpath', params_map, sys.argv[0]+" : -i param is needed,input file path must define!")
must_be_defined('total', params_map, sys.argv[0]+" : -t param is needed,the fields of result file must define!")
must_be_defined('to', params_map, sys.argv[0]+" : -a param is needed,must assign the field to put !")
if not os.path.exists(inpath):
print(sys.argv[0]+" file : %s is not exists"%inpath)
sys.exit(1)
if 'outpath' not in dir():
outpath = inpath+".dist"
process(inpath, total, to, outpath, insp, outsp, empty_fill, fill_with_sno, error_line_out)
if __name__ =="__main__":
main()
使用说明
功能：可指定输入分隔，输出分隔，无配置字段填充，某列默认值,可按顺序填充，也可乱序映射填充
输入：输入文件路径
选项：
-i “path”
必设
输入文件路径
-t n
必设
目标数据表总列数
-a “r1,r2”
必设
将要填充的列号列表，可配置默认值，可配置映射
-o “path”
可选
输出文件路径，默认为 输入文件路径.dist
-F “IFS”
可选
输入文件中字段域分隔符，默认\t
-P ”OFS”
可选
输出文件中字段域分隔符，默认\t
-f “”
可选
指定未配置列的填充内容，默认为空
-h
单独
查看帮助信息
列填充的配置示例：
普通用法【最常用】
命令：
./dataformat.py –i in_file –t 65 -a “22,39,63” –F “^I” –P “^A” –f “0”
说明：
in_file中字段是以\t分隔的[可不配-F,使用默认]。
将in_file的第1,2,3列分别填充到in_file.dist[use default]的第22,39,63列
in_file.dist共65列，以^A分隔，未配置列以0填充
-a中顺序与源文件列序有关，若-a “39,22,63” 则是将第1列填充到第39列，第二列填充到22列，第3列填充到63列
列默认值用法:【需要对某些列填充相同的值，但不想在源文件中维护】
命令:
./dataformat.py -i in_file –t 30 –a “3=tag_1,9,7,12=0.0” –o out_file
说明:
in_file以\t分隔，输出out_file以\t分隔
将in_file的第1列,第2列填充到out_file的第9列，第7列
out_file共30列，第3列均用字符串”tag_1”填充，第12列用0.0填充，其他未配置列为空
注意：默认值 的取值，若是使用到等号和冒号，需转义，加 \= \:
列列乱序映射：
命令:
./dataformat.py –i in_file –t 56 –a “3:2,9,5:3,1=abc,11”
说明:
分隔，输入，输出，同上…..
冒号前面为输出文件列号，后面为输入文件列号
目标文件第3列用输入文件第2列填充，目标文件第5列用输入文件第3列填充
目标文件第一列均填充“abc”
目标文件第9列用输入文件第1列填充，第11列用输入文件第4列填充【未配置映射，使用从头开始还没有被用过的列】
脚本会对简单的字段数量等映射逻辑进行检测，复杂最好全配上，使用默认太抽象
代码托管位置 链接