如何使用 pgloader 或 PostgreSQL 副本解析 CSV，当双引号内有 (换行符)时

Question

我有这样一行csv：

"aaa"|"bbb"|"ccc"|"dddd
eeeee"

我想使用 pgloader (http://pgloader.io/( 或 PostgreSQL COPY (https://www.postgresql.org/docs/9.6/static/sql-copy.html( 导入此数据。我在这里的问题是，根据 CSV 标准，引号字段值中可能会有换行符 ((。但是 pgloader 和 COPY 命令将其视为一行全新的数据，而不是一列内部带有换行符。

COPY schema.table (
    col_aaa,
    col_bbb,
    col_ccc,
    col_ddd
) 
    FROM 'file.csv' WITH DELIMITER '|' ENCODING 'LATIN1' CSV;

我的复制命令我的 pgloader 命令

LOAD CSV
FROM 'file.csv' 
INTO postgresql://user:password@host:5432/database?schema.table (col_aaa, col_bbb, col_ccc, col_ddd)
WITH   
skip header = 0,
fields optionally enclosed by '"',
fields escaped by double-quote,
fields terminated by '|'  
SET client_encoding to 'latin1'
BEFORE LOAD DO
    $$ TRUNCATE anac.aerodromos_csv RESTART IDENTITY; $$;

我从PostgreSQL文档和谷歌中搜索了很多。

我唯一发现的是：在双引号字段中解析 的 CSV 文件，但对于超过 100 万行的文件来说，awk 太慢了。

关于如何做到这一点的任何提示？

我更喜欢 pgloader，但我可以接受使用 sed 或 perl 作为正则表达式代理来处理 linux shell 脚本中的文件。

关于如何做到这一点的任何线索？

Answer 1

为了给你一个解决这个问题的想法，我正在写这个例子。

我刚刚假设该文件将仅包含 4 列并且仅包含 1 个换行符。如果不是这种情况，那么您需要更改此设置。

输入文件：

"aaa"|"bbb"|"ccc"|"ddddeeeee"
"aaa"|"bbb"|"ccc"|"ddddeeeee"
"aaa"|"bbb"|"ccc"|"dddd
eeeee"
"aaa"|"bbb"|"cc
c"|"ddddeeeee"
"aaa"|"bbb"|"ccc"|"ddddeeeee"
"aaa"|"bbb"|"ccc"|"ddddeeeee"
"aaa"|"b
bb"|"ccc"|"ddddeeeee"
"aaa"|"bbb"|"ccc"|"ddddeeeee"
"aaa"|"bbb"|"ccc"|"ddddeeeee"
"a
aa"|"bbb"|"ccc"|"ddddeeeee"
"aaa"|"bbb"|"ccc"|"ddddeeeee"
"aaa"|"bbb"|"ccc"|"ddddeeeee"
"aaa"|"bbb"|"ccc"|"ddddeeeee"
"aaa"|"bbb"|"ccc"|"dddd
eeeee"

script.pl

#!/usr/bin/perl
use strict; use warnings; use Data::Dumper;
open ( my $RFH, '<', 'input.io' ) or die ($!);
open ( my $WFH, '>', 'output.o' ) or die ($!);
my $line_break = 0;
my $old_line = '';
while ( my $line = <$RFH> ) {
    chomp($line);
    if ( ! $line_break ){
        my @columns = split( /|/, $line );
        if ( scalar( @columns ) == 4 && $columns[3] =~ m/"$/ ){
            print $WFH $line."n";
        }
        else{
            $line_break = 1;
            $old_line = $line;
            next;
        }
    }
    else{
        $line = $old_line . $line;
        $old_line = '';
        $line_break = 0;
        print $WFH $line."n";
    }
}
close($RFH);
close($WFH);

输出文件：

"aaa"|"bbb"|"ccc"|"ddddeeeee"
"aaa"|"bbb"|"ccc"|"ddddeeeee"
"aaa"|"bbb"|"ccc"|"ddddeeeee"
"aaa"|"bbb"|"ccc"|"ddddeeeee"
"aaa"|"bbb"|"ccc"|"ddddeeeee"
"aaa"|"bbb"|"ccc"|"ddddeeeee"
"aaa"|"bbb"|"ccc"|"ddddeeeee"
"aaa"|"bbb"|"ccc"|"ddddeeeee"
"aaa"|"bbb"|"ccc"|"ddddeeeee"
"aaa"|"bbb"|"ccc"|"ddddeeeee"
"aaa"|"bbb"|"ccc"|"ddddeeeee"
"aaa"|"bbb"|"ccc"|"ddddeeeee"
"aaa"|"bbb"|"ccc"|"ddddeeeee"
"aaa"|"bbb"|"ccc"|"ddddeeeee"

根据需要更改此示例。希望这有帮助。

Answer 2

问题是在行尾有一个\r。为了解决这个问题，我只从数据内部的换行符中删除了\r。

这样pgloader就能够完成这项工作。

我已经通过使用一行perl做到了这一点。

perl -0777 -pi -e 's/(?<="[^"|])*(?<!["|])rn(?=[^"]*")/n/smg' $csv_file_name # O -0777 is explained at em https://stackoverflow.com/questions/9670426/perl-command-line-multi-line-replace

Perl 命令行多行替换