CSV 是一种非常方便的数据交换格式。业务人员可以方便的在 Excel 进行编辑，然后上传到业务系统中。但是对于 Developer，Excel 略显笨重，并且编程方便并不那么友好。
本文将介绍一种方式，在 shell script 中处理 CSV 文件。内容涉及：
- 提取数据行
- 统计行数
- 输出指定列
- 按列排序
- 比较两列数据
其中将使用如下指令：
- cat
- grep
- awk
- wc
- sort
- vimdiff
提取数据行
中国城市近 4 年房产价格：
City,2013,2014,2015,2016
Beijing,22000,30000,35000,38000
Shanghai,20000,25000,30000,35000
Shaanxi-xi'an,6000,5800,5700,6000
Shaanxi-baoji,1000,1200,2000,2000
提取 Shaanxi 价格
cat apartment_prices.csv | grep ^Shaanxi
# output
# Shaanxi-xi'an,6000,5800,5700,6000
# Shaanxi-baoji,1000,1200,2000,2000
提取非 Shaanxi 价格
cat apartment_prices.csv | grep -v ^Shaanxi
# output
# City,2013,2014,2015,2016
# Beijing,22000,30000,35000,38000
# Shanghai,20000,25000,30000,35000
cat 用于输出 apartment_prices.csv 文件内容，grep 用于按照正则过滤我们需要的文件。
-
grep ^Shaanxi：提取以Shaanxi开头的数据行，^在 Regex 中用于指定行首。 -
grep -v ^Shaanxi：-v参数为--invert-match，提取不满足 Regex 条件的数据。
统计行数
中国城市近 4 年房产价格：
City,2013,2014,2015,2016
Beijing,22000,30000,35000,38000
Shanghai,20000,25000,30000,35000
Shaanxi-xi'an,6000,5800,5700,6000
Shaanxi-baoji,1000,1200,2000,2000
总数据行:
cat apartment_prices.csv | wc -l
# 5
-
wc -l：wc(Word Count)用于行数，字数等数据统计，-l代表按行数统计。
数据行数(没有header)：
cat apartment_prices.csv | tail -n +2
# Beijing,22000,30000,35000,38000
# Shanghai,20000,25000,30000,35000
# Shaanxi-xi'an,6000,5800,5700,6000
# Shaanxi-baoji,1000,1200,2000,2000
cat apartment_prices.csv | tail -n +2 | wc -l
# 4
-
tail -n +2：tail用于从文件尾部读取数据，-n +2指定从第二行读取到行尾。我们常用tail -f logfile.log来监控 log 输出。
Shaanxi数据量:
cat apartment_prices.csv | grep ^Shaanxi | wc -l
# 2
输出指定列
中国城市近 4 年房产价格：
City,2013,2014,2015,2016
Beijing,22000,30000,35000,38000
Shanghai,20000,25000,30000,35000
Shaanxi-xi'an,6000,5800,5700,6000
Shaanxi-baoji,1000,1200,2000,2000
输出 2014 年的数据：
cat apartment_prices.csv | awk -F, '{ print $3; }'
-
awk -F, '{ print $3; }'：awk是 linux 中非常强大的列表处理工具，linux 系统中的几乎所有输出都可以用awk处理。-
-F,：指定列分隔符为 ',' （CSV格式），默认为空格，制表符。 -
pring $3： 输出第3列数据。
-
output：
# 2014
# 30000
# 25000
# 5800
# 1200
# 输出前 3 列
cat apartment_prices.csv | awk -F, '{ print $1","$2","$3; }'
output：
City,2013,2014
Beijing,22000,30000
Shanghai,20000,25000
Shaanxi-xi'an,6000,5800
Shaanxi-baoji,1000,1200
按列排序
中国城市近 4 年房产价格：
City,2013,2014,2015,2016
Beijing,22000,30000,35000,38000
Shanghai,20000,25000,30000,35000
Shaanxi-xi'an,6000,5800,5700,6000
排序 2014 年数据：
# 仅输出数据 2014 的数据
cat apartment_prices.csv | tail -n +2 | awk -F, '{ print $3 }' | sort -g
-
sort -g：sort用于排序数据，默认按照数据长度排序，-g指定按照数字值排序。
output：
1200
5800
25000
30000
# 输出 city 信息
cat apartment_prices.csv | tail -n +2 | awk -F, '{ print $1 "," $3 }' | sort -t ',' -k 2 -g
-
sort -t ',' -k 2 -g：-k 2指定按照第二列排序，-t ,指定列分隔符。
output：
Shaanxi-baoji,1200
Shaanxi-xi'an,5800
Shanghai,25000
Beijing,30000
比较两列数据
比较数据需要将数据输出到文件，然后使用git diff 或者 vim -d file1 file2 来比较。
比如比较 2014 和 2015 的数据
# 1. 提取 2014 年的数据
cat apartment_prices.csv | tail -n +2 | awk -F, '{ print $4; }' > 2014
# 2. 提取 2015 年的数据
cat apartment_prices.csv | tail -n +2 | awk -F, '{ print $5; }' > 2015
# 3. git diff 2014 2015
git diff 2014 2015
output diff：
diff --git a/2014 b/2015
index 162645c..6accdc5 100644
--- a/2014
+++ b/2015
@@ -1,4 +1,4 @@
+38000
35000
-30000
-5700
+6000
2000
实战应用
最近业务人员需要更新产品的数据，通常情况，业务人员使用 Excel 做好产品数据，然后使用 CSV 格式导入到系统中。但是由于遗留系统的原因，CSV数据需要导入到不同的系统中。遗留系统的数据同步需要 Developer 手动进行。
在整个数据同步过程中，涉及数据提取，比较，校验等过程。由于 Excel 对于 Developer 并不那么友好，因此用到了本文中的处理方法，使用 shell script 处理 CSV 文件。
参考资料
- AWK：http://www.grymoire.com/Unix/Awk.html
- Linux Command Line：http://billie66.github.io/TLCL/book/zh/chap21.html
- Git diff：https://git-scm.com/docs/git-diff
- Vim diff：http://vimcasts.org/episodes/comparing-buffers-with-vimdiff