比较两个 CSV 文件并搜索相似项目

Question

因此，我有两个 CSV 文件，我正在尝试比较它们并获取相似项目的结果。 第一个文件，hosts.csv 如下所示：

Path    Filename    Size    Signature
C:\     a.txt       14kb    012345
D:\     b.txt       99kb    678910
C:\     c.txt       44kb    111213

第二个文件，masterlist.csv 如下所示：

Filename    Signature
b.txt       678910
x.txt       111213
b.txt       777777
c.txt       999999

正如您所看到的，行不匹配，masterlist.csv 始终大于hosts.csv 文件。我想搜索的唯一部分是签名部分。我知道这看起来像：

hosts[3] == masterlist[1]

我正在寻找一个解决方案，它将给我类似以下的内容（基本上是带有新结果列的hosts.csv文件）：

Path    Filename    Size    Signature    RESULTS
C:\     a.txt       14kb    012345       NOT FOUND in masterlist
D:\     b.txt       99kb    678910       FOUND in masterlist (row 1)
C:\     c.txt       44kb    111213       FOUND in masterlist (row 2)

我搜索了帖子并发现了类似于此的内容这里但我不太明白因为我还在学习Python。

编辑使用Python 2.6

Answer 1

srgerg 的答案效率非常低，因为它的运行时间是二次方；这是一个线性时间解决方案，使用 Python 2.6 兼容语法：

import csv

with open('masterlist.csv', 'rb') as master:
    master_indices = dict((r[1], i) for i, r in enumerate(csv.reader(master)))

with open('hosts.csv', 'rb') as hosts:
    with open('results.csv', 'wb') as results:    
        reader = csv.reader(hosts)
        writer = csv.writer(results)

        writer.writerow(next(reader, []) + ['RESULTS'])

        for row in reader:
            index = master_indices.get(row[3])
            if index is not None:
                message = 'FOUND in master list (row {})'.format(index)
            else:
                message = 'NOT FOUND in master list'
            writer.writerow(row + [message])

这会生成一个字典，首先将 masterlist.csv 中的签名映射到行号。字典中的查找需要恒定的时间，使得对 hosts.csv 行的第二次循环独立于 masterlist.csv 中的行数。更不用说代码要简单得多。

对于使用 Python 3 的用户，上面只需要将 open() 调用调整为以文本模式打开（从文件模式中删除 b），并且您想要添加 new line='' 以便 CSV 读取器可以控制行分隔符。您可能希望明确指定要使用的编码，而不是依赖于系统默认值（使用 encoding=...）。 master_indices 映射可以使用字典理解来构建（{r[1]: i for i, r in enumerate(csv.reader(master))}）。

Answer 2

编辑：虽然我的解决方案工作正常，但请查看下面 Martijn 的答案以获得更有效的解决方案。

您可以在此处找到 python CSV 模块的文档。

你正在寻找的是这样的：

import csv

f1 = file('hosts.csv', 'r')
f2 = file('masterlist.csv', 'r')
f3 = file('results.csv', 'w')

c1 = csv.reader(f1)
c2 = csv.reader(f2)
c3 = csv.writer(f3)

masterlist = list(c2)

for hosts_row in c1:
    row = 1
    found = False
    for master_row in masterlist:
        results_row = hosts_row
        if hosts_row[3] == master_row[1]:
            results_row.append('FOUND in master list (row ' + str(row) + ')')
            found = True
            break
        row = row + 1
    if not found:
        results_row.append('NOT FOUND in master list')
    c3.writerow(results_row)

f1.close()
f2.close()
f3.close()

Answer 3

Python 的 CSV 和集合模块，特别是 OrderedDict 在这里非常有帮助。您想使用 OrderedDict 来保留键的顺序等。您不必这样做，但它很有用！

import csv
from collections import OrderedDict


signature_row_map = OrderedDict()


with open('hosts.csv') as file_object:
    for line in csv.DictReader(file_object, delimiter='\t'):
        signature_row_map[line['Signature']] = {'line': line, 'found_at': None}


with open('masterlist.csv') as file_object:
    for i, line in enumerate(csv.DictReader(file_object, delimiter='\t'), 1):
        if line['Signature'] in signature_row_map:
            signature_row_map[line['Signature']]['found_at'] = i


with open('newhosts.csv', 'w') as file_object:
    fieldnames = ['Path', 'Filename', 'Size', 'Signature', 'RESULTS']
    writer = csv.DictWriter(file_object, fieldnames, delimiter='\t')
    writer.writer.writerow(fieldnames)
    for signature_info in signature_row_map.itervalues():
        result = '{0} FOUND in masterlist {1}'
        # explicit check for sentinel
        if signature_info['found_at'] is not None:
            result = result.format('', '(row %s)' % signature_info['found_at'])
        else:
            result = result.format('NOT', '')
        payload = signature_info['line']
        payload['RESULTS'] = result

        writer.writerow(payload)

以下是使用测试 CSV 文件的输出：

Path    Filename        Size    Signature       RESULTS
C:\     a.txt   14kb    012345  NOT FOUND in masterlist 
D:\     b.txt   99kb    678910   FOUND in masterlist (row 1)
C:\     c.txt   44kb    111213   FOUND in masterlist (row 2)

请原谅未对齐，它们是制表符分隔的:)

Answer 4

csv 模块在解析 csv 文件时非常方便。但只是为了好玩，我只是将输入拆分为空格来获取数据。

只需解析数据，为 masterlist.csv 中的数据构建一个 dict ，其中签名为键，行号为值。现在，对于hosts.csv的每一行，我们只需查询dict并找出masterlist.csv中是否存在相应的条目，如果存在则在哪一行。

#! /usr/bin/env python

def read_data(filename):
        input_source=open(filename,'r')
        input_source.readline()
        return [line.split() for line in input_source]

if __name__=='__main__':
        hosts=read_data('hosts.csv')
        masterlist=read_data('masterlist.csv')
        master=dict()
        for index,data in enumerate(masterlist):
                master[data[-1]]=index+1
        for row in hosts:
                try:
                        found="FOUND in masterlist (row %s)"%master[row[-1]]
                except KeyError:
                        found="NOT FOUND in masterlist"
                line=row+[found]
                print "%s    %s    %s    %s    %s"%tuple(line)

Answer 5

我刚刚在 Martijn Pieters 代码中修复了一个小问题，以便使其在 Python 3 中工作，在这段代码中，我尝试将 file1 row[0] 中的第一列元素与file2 row[0] 中的第一列元素。

import csv
with open('file1.csv', 'rt', encoding='utf-8') as master:
    master_indices = dict((r[0], i) for i, r in enumerate(csv.reader(master)))

    with open('file2.csv', 'rt', encoding='utf-8') as hosts:
        with open('result.csv', 'w') as results:    
            reader = csv.reader(hosts)
            writer = csv.writer(results)

            writer.writerow(next(reader, []) + ['RESULTS'])

            for row in reader:
                index = master_indices.get(row[0])
                if index is not None:
                    message = 'FOUND in master list (row {})'.format(index)
                    writer.writerow(row + [message])

                else:
                     message = 'NOT FOUND in master list'
                     writer.writerow(row + [message])

        results.close()