python dataformat.py通用数据格式转化脚本

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

涉及模块：os,getopt,sys

输入：源格式，文本文件

输出：目标格式，文本文件

#!/usr/bin/python # -*- coding: utf-8 -*- #dataformat.py #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 import os,getopt,sys #读入文件,返回所有行 def read_file(path): f = open(path, "r") lines = f.readlines() f.close() return 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): toindex = 0 outline = "" keys = ft_map.keys() for i in range(1, total+1): if i in keys: fill_index = ft_map[i] if fill_index.startswith("d"): outline += fill_index[1:] else: outline += parts[int(fill_index)-1] else: outline += empty_fill if i !=total: outline += outsp #TODO: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 #TODO:这里根据这个判断长度也需要换掉 done return outline #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="\t", outsp="\t", empty_fill=""): #TODO:这里将to转为映射格式 done ft_map = {} in_count = 0 used_row = [] 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 for to_row in to: 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 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 else: to_index = 0 for i in range(1, 100): if i not in used_row: to_index = i break ft_map.update({int(to_row):str(to_index)}) used_row.append(to_index) lines = read_file(inpath) f = open(outpath,"w") result=[] for line in lines: parts = line.strip("\n").split(insp) #TODO:这里判断长度必须换掉 done if len(parts) >= in_count: outline = one_line_proc(parts, total, ft_map, outsp, empty_fill) result.append(outline+"\n") f.writelines(result) f.close() #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，原文件路径]") print("\t -t n [必输，n为数字，目标数据总的域个数]") print("\t -a '1,3,4' [必输，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 -o outputfilepath [可选，默认为 inputfilepath.dist ]") print("\t -F 'FS' [可选，原文件域分隔符，默认为\\t ]") print("\t -P 'OFS' [可选，输出文件的域分隔符，默认为\\t ]") sys.exit(0) #程序入口，读入参数，执行 def main(): try: opts,args = getopt.getopt(sys.argv[1:],"F:P:t:a:i:o:f:h") 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 #考虑下这边放在神马地方合适 if len(opts) < 3: print(sys.argv[0]+" : the amount of params must great equal than 3") sys.exit(1) except getopt.GetoptError: print(sys.argv[0]+" : params are not defined well!") if 'inpath' not in dir(): print(sys.argv[0]+" : -i param is needed,input file path must define!") sys.exit(1) if 'total' not in dir(): print(sys.argv[0]+" : -t param is needed,the fields of result file must define!") sys.exit(1) if 'to' not in dir(): print(sys.argv[0]+" : -a param is needed,must assign the field to put !") sys.exit(1) if not os.path.exists(inpath): print(sys.argv[0]+" file : %s is not exists"%inpath) sys.exit(1) if 'empty_fill' not in dir(): empty_fill = '' tmp=[] for st in to: tmp.append(str(st)) to=tmp if 'outpath' not in dir(): outpath = inpath+".dist" if 'insp' in dir() and 'outsp' in dir(): process(inpath,total,to,outpath,insp,outsp,empty_fill=empty_fill) elif 'insp' in dir(): process(inpath,total,to,outpath,insp,empty_fill=empty_fill) elif 'outsp' in dir(): process(inpath,total,to,outpath,outsp=outsp,empty_fill=empty_fill) else: process(inpath,total,to,outpath,empty_fill=empty_fill) 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：

1. in_file中字段是以\t分隔的[可不配-F,使用默认]。
2. 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
3. in_file.dist共65列，以^A分隔，未配置列以0填充
4. -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:

1. in_file以\t分隔，输出out_file以\t分隔
2. 将in_file的第1列,第2列填充到out_file的第9列，第7列
3. 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
4. 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:

1. 分隔，输入，输出，同上…..
2. 冒号前面为输出文件列号，后面为输入文件列号
3. 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
4. 目标文件第一列均填充“abc”
5. 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】
6. 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