home *** CD-ROM | disk | FTP | other *** search
/ PC World 2007 March / PCWorld_2007-03_cd.bin / domacnost a kancelar / scribus / scribus-1.3.3.7-win32-install.exe / lib / csv.py < prev    next >
Text File  |  2003-10-03  |  16KB  |  432 lines
  1.  
  2. """
  3. csv.py - read/write/investigate CSV files
  4. """
  5.  
  6. import re
  7. from _csv import Error, __version__, writer, reader, register_dialect, \
  8.                  unregister_dialect, get_dialect, list_dialects, \
  9.                  QUOTE_MINIMAL, QUOTE_ALL, QUOTE_NONNUMERIC, QUOTE_NONE, \
  10.                  __doc__
  11.  
  12. try:
  13.     from cStringIO import StringIO
  14. except ImportError:
  15.     from StringIO import StringIO
  16.  
  17. __all__ = [ "QUOTE_MINIMAL", "QUOTE_ALL", "QUOTE_NONNUMERIC", "QUOTE_NONE",
  18.             "Error", "Dialect", "excel", "excel_tab", "reader", "writer",
  19.             "register_dialect", "get_dialect", "list_dialects", "Sniffer",
  20.             "unregister_dialect", "__version__", "DictReader", "DictWriter" ]
  21.  
  22. class Dialect:
  23.     _name = ""
  24.     _valid = False
  25.     # placeholders
  26.     delimiter = None
  27.     quotechar = None
  28.     escapechar = None
  29.     doublequote = None
  30.     skipinitialspace = None
  31.     lineterminator = None
  32.     quoting = None
  33.  
  34.     def __init__(self):
  35.         if self.__class__ != Dialect:
  36.             self._valid = True
  37.         errors = self._validate()
  38.         if errors != []:
  39.             raise Error, "Dialect did not validate: %s" % ", ".join(errors)
  40.  
  41.     def _validate(self):
  42.         errors = []
  43.         if not self._valid:
  44.             errors.append("can't directly instantiate Dialect class")
  45.  
  46.         if self.delimiter is None:
  47.             errors.append("delimiter character not set")
  48.         elif (not isinstance(self.delimiter, str) or
  49.               len(self.delimiter) > 1):
  50.             errors.append("delimiter must be one-character string")
  51.  
  52.         if self.quotechar is None:
  53.             if self.quoting != QUOTE_NONE:
  54.                 errors.append("quotechar not set")
  55.         elif (not isinstance(self.quotechar, str) or
  56.               len(self.quotechar) > 1):
  57.             errors.append("quotechar must be one-character string")
  58.  
  59.         if self.lineterminator is None:
  60.             errors.append("lineterminator not set")
  61.         elif not isinstance(self.lineterminator, str):
  62.             errors.append("lineterminator must be a string")
  63.  
  64.         if self.doublequote not in (True, False):
  65.             errors.append("doublequote parameter must be True or False")
  66.  
  67.         if self.skipinitialspace not in (True, False):
  68.             errors.append("skipinitialspace parameter must be True or False")
  69.  
  70.         if self.quoting is None:
  71.             errors.append("quoting parameter not set")
  72.  
  73.         if self.quoting is QUOTE_NONE:
  74.             if (not isinstance(self.escapechar, (unicode, str)) or
  75.                 len(self.escapechar) > 1):
  76.                 errors.append("escapechar must be a one-character string or unicode object")
  77.  
  78.         return errors
  79.  
  80. class excel(Dialect):
  81.     delimiter = ','
  82.     quotechar = '"'
  83.     doublequote = True
  84.     skipinitialspace = False
  85.     lineterminator = '\r\n'
  86.     quoting = QUOTE_MINIMAL
  87. register_dialect("excel", excel)
  88.  
  89. class excel_tab(excel):
  90.     delimiter = '\t'
  91. register_dialect("excel-tab", excel_tab)
  92.  
  93.  
  94. class DictReader:
  95.     def __init__(self, f, fieldnames=None, restkey=None, restval=None,
  96.                  dialect="excel", *args, **kwds):
  97.         self.fieldnames = fieldnames    # list of keys for the dict
  98.         self.restkey = restkey          # key to catch long rows
  99.         self.restval = restval          # default value for short rows
  100.         self.reader = reader(f, dialect, *args, **kwds)
  101.  
  102.     def __iter__(self):
  103.         return self
  104.  
  105.     def next(self):
  106.         row = self.reader.next()
  107.         if self.fieldnames is None:
  108.             self.fieldnames = row
  109.             row = self.reader.next()
  110.  
  111.         # unlike the basic reader, we prefer not to return blanks,
  112.         # because we will typically wind up with a dict full of None
  113.         # values
  114.         while row == []:
  115.             row = self.reader.next()
  116.         d = dict(zip(self.fieldnames, row))
  117.         lf = len(self.fieldnames)
  118.         lr = len(row)
  119.         if lf < lr:
  120.             d[self.restkey] = row[lf:]
  121.         elif lf > lr:
  122.             for key in self.fieldnames[lr:]:
  123.                 d[key] = self.restval
  124.         return d
  125.  
  126.  
  127. class DictWriter:
  128.     def __init__(self, f, fieldnames, restval="", extrasaction="raise",
  129.                  dialect="excel", *args, **kwds):
  130.         self.fieldnames = fieldnames    # list of keys for the dict
  131.         self.restval = restval          # for writing short dicts
  132.         if extrasaction.lower() not in ("raise", "ignore"):
  133.             raise ValueError, \
  134.                   ("extrasaction (%s) must be 'raise' or 'ignore'" %
  135.                    extrasaction)
  136.         self.extrasaction = extrasaction
  137.         self.writer = writer(f, dialect, *args, **kwds)
  138.  
  139.     def _dict_to_list(self, rowdict):
  140.         if self.extrasaction == "raise":
  141.             for k in rowdict.keys():
  142.                 if k not in self.fieldnames:
  143.                     raise ValueError, "dict contains fields not in fieldnames"
  144.         return [rowdict.get(key, self.restval) for key in self.fieldnames]
  145.  
  146.     def writerow(self, rowdict):
  147.         return self.writer.writerow(self._dict_to_list(rowdict))
  148.  
  149.     def writerows(self, rowdicts):
  150.         rows = []
  151.         for rowdict in rowdicts:
  152.             rows.append(self._dict_to_list(rowdict))
  153.         return self.writer.writerows(rows)
  154.  
  155. # Guard Sniffer's type checking against builds that exclude complex()
  156. try:
  157.     complex
  158. except NameError:
  159.     complex = float
  160.  
  161. class Sniffer:
  162.     '''
  163.     "Sniffs" the format of a CSV file (i.e. delimiter, quotechar)
  164.     Returns a Dialect object.
  165.     '''
  166.     def __init__(self):
  167.         # in case there is more than one possible delimiter
  168.         self.preferred = [',', '\t', ';', ' ', ':']
  169.  
  170.  
  171.     def sniff(self, sample, delimiters=None):
  172.         """
  173.         Returns a dialect (or None) corresponding to the sample
  174.         """
  175.  
  176.         quotechar, delimiter, skipinitialspace = \
  177.                    self._guess_quote_and_delimiter(sample, delimiters)
  178.         if delimiter is None:
  179.             delimiter, skipinitialspace = self._guess_delimiter(sample,
  180.                                                                 delimiters)
  181.  
  182.         class dialect(Dialect):
  183.             _name = "sniffed"
  184.             lineterminator = '\r\n'
  185.             quoting = QUOTE_MINIMAL
  186.             # escapechar = ''
  187.             doublequote = False
  188.  
  189.         dialect.delimiter = delimiter
  190.         # _csv.reader won't accept a quotechar of ''
  191.         dialect.quotechar = quotechar or '"'
  192.         dialect.skipinitialspace = skipinitialspace
  193.  
  194.         return dialect
  195.  
  196.  
  197.     def _guess_quote_and_delimiter(self, data, delimiters):
  198.         """
  199.         Looks for text enclosed between two identical quotes
  200.         (the probable quotechar) which are preceded and followed
  201.         by the same character (the probable delimiter).
  202.         For example:
  203.                          ,'some text',
  204.         The quote with the most wins, same with the delimiter.
  205.         If there is no quotechar the delimiter can't be determined
  206.         this way.
  207.         """
  208.  
  209.         matches = []
  210.         for restr in ('(?P<delim>[^\w\n"\'])(?P<space> ?)(?P<quote>["\']).*?(?P=quote)(?P=delim)', # ,".*?",
  211.                       '(?:^|\n)(?P<quote>["\']).*?(?P=quote)(?P<delim>[^\w\n"\'])(?P<space> ?)',   #  ".*?",
  212.                       '(?P<delim>>[^\w\n"\'])(?P<space> ?)(?P<quote>["\']).*?(?P=quote)(?:$|\n)',  # ,".*?"
  213.                       '(?:^|\n)(?P<quote>["\']).*?(?P=quote)(?:$|\n)'):                            #  ".*?" (no delim, no space)
  214.             regexp = re.compile(restr, re.DOTALL | re.MULTILINE)
  215.             matches = regexp.findall(data)
  216.             if matches:
  217.                 break
  218.  
  219.         if not matches:
  220.             return ('', None, 0) # (quotechar, delimiter, skipinitialspace)
  221.  
  222.         quotes = {}
  223.         delims = {}
  224.         spaces = 0
  225.         for m in matches:
  226.             n = regexp.groupindex['quote'] - 1
  227.             key = m[n]
  228.             if key:
  229.                 quotes[key] = quotes.get(key, 0) + 1
  230.             try:
  231.                 n = regexp.groupindex['delim'] - 1
  232.                 key = m[n]
  233.             except KeyError:
  234.                 continue
  235.             if key and (delimiters is None or key in delimiters):
  236.                 delims[key] = delims.get(key, 0) + 1
  237.             try:
  238.                 n = regexp.groupindex['space'] - 1
  239.             except KeyError:
  240.                 continue
  241.             if m[n]:
  242.                 spaces += 1
  243.  
  244.         quotechar = reduce(lambda a, b, quotes = quotes:
  245.                            (quotes[a] > quotes[b]) and a or b, quotes.keys())
  246.  
  247.         if delims:
  248.             delim = reduce(lambda a, b, delims = delims:
  249.                            (delims[a] > delims[b]) and a or b, delims.keys())
  250.             skipinitialspace = delims[delim] == spaces
  251.             if delim == '\n': # most likely a file with a single column
  252.                 delim = ''
  253.         else:
  254.             # there is *no* delimiter, it's a single column of quoted data
  255.             delim = ''
  256.             skipinitialspace = 0
  257.  
  258.         return (quotechar, delim, skipinitialspace)
  259.  
  260.  
  261.     def _guess_delimiter(self, data, delimiters):
  262.         """
  263.         The delimiter /should/ occur the same number of times on
  264.         each row. However, due to malformed data, it may not. We don't want
  265.         an all or nothing approach, so we allow for small variations in this
  266.         number.
  267.           1) build a table of the frequency of each character on every line.
  268.           2) build a table of freqencies of this frequency (meta-frequency?),
  269.              e.g.  'x occurred 5 times in 10 rows, 6 times in 1000 rows,
  270.              7 times in 2 rows'
  271.           3) use the mode of the meta-frequency to determine the /expected/
  272.              frequency for that character
  273.           4) find out how often the character actually meets that goal
  274.           5) the character that best meets its goal is the delimiter
  275.         For performance reasons, the data is evaluated in chunks, so it can
  276.         try and evaluate the smallest portion of the data possible, evaluating
  277.         additional chunks as necessary.
  278.         """
  279.  
  280.         data = filter(None, data.split('\n'))
  281.  
  282.         ascii = [chr(c) for c in range(127)] # 7-bit ASCII
  283.  
  284.         # build frequency tables
  285.         chunkLength = min(10, len(data))
  286.         iteration = 0
  287.         charFrequency = {}
  288.         modes = {}
  289.         delims = {}
  290.         start, end = 0, min(chunkLength, len(data))
  291.         while start < len(data):
  292.             iteration += 1
  293.             for line in data[start:end]:
  294.                 for char in ascii:
  295.                     metaFrequency = charFrequency.get(char, {})
  296.                     # must count even if frequency is 0
  297.                     freq = line.strip().count(char)
  298.                     # value is the mode
  299.                     metaFrequency[freq] = metaFrequency.get(freq, 0) + 1
  300.                     charFrequency[char] = metaFrequency
  301.  
  302.             for char in charFrequency.keys():
  303.                 items = charFrequency[char].items()
  304.                 if len(items) == 1 and items[0][0] == 0:
  305.                     continue
  306.                 # get the mode of the frequencies
  307.                 if len(items) > 1:
  308.                     modes[char] = reduce(lambda a, b: a[1] > b[1] and a or b,
  309.                                          items)
  310.                     # adjust the mode - subtract the sum of all
  311.                     # other frequencies
  312.                     items.remove(modes[char])
  313.                     modes[char] = (modes[char][0], modes[char][1]
  314.                                    - reduce(lambda a, b: (0, a[1] + b[1]),
  315.                                             items)[1])
  316.                 else:
  317.                     modes[char] = items[0]
  318.  
  319.             # build a list of possible delimiters
  320.             modeList = modes.items()
  321.             total = float(chunkLength * iteration)
  322.             # (rows of consistent data) / (number of rows) = 100%
  323.             consistency = 1.0
  324.             # minimum consistency threshold
  325.             threshold = 0.9
  326.             while len(delims) == 0 and consistency >= threshold:
  327.                 for k, v in modeList:
  328.                     if v[0] > 0 and v[1] > 0:
  329.                         if ((v[1]/total) >= consistency and
  330.                             (delimiters is None or k in delimiters)):
  331.                             delims[k] = v
  332.                 consistency -= 0.01
  333.  
  334.             if len(delims) == 1:
  335.                 delim = delims.keys()[0]
  336.                 skipinitialspace = (data[0].count(delim) ==
  337.                                     data[0].count("%c " % delim))
  338.                 return (delim, skipinitialspace)
  339.  
  340.             # analyze another chunkLength lines
  341.             start = end
  342.             end += chunkLength
  343.  
  344.         if not delims:
  345.             return ('', 0)
  346.  
  347.         # if there's more than one, fall back to a 'preferred' list
  348.         if len(delims) > 1:
  349.             for d in self.preferred:
  350.                 if d in delims.keys():
  351.                     skipinitialspace = (data[0].count(d) ==
  352.                                         data[0].count("%c " % d))
  353.                     return (d, skipinitialspace)
  354.  
  355.         # finally, just return the first damn character in the list
  356.         delim = delims.keys()[0]
  357.         skipinitialspace = (data[0].count(delim) ==
  358.                             data[0].count("%c " % delim))
  359.         return (delim, skipinitialspace)
  360.  
  361.  
  362.     def has_header(self, sample):
  363.         # Creates a dictionary of types of data in each column. If any
  364.         # column is of a single type (say, integers), *except* for the first
  365.         # row, then the first row is presumed to be labels. If the type
  366.         # can't be determined, it is assumed to be a string in which case
  367.         # the length of the string is the determining factor: if all of the
  368.         # rows except for the first are the same length, it's a header.
  369.         # Finally, a 'vote' is taken at the end for each column, adding or
  370.         # subtracting from the likelihood of the first row being a header.
  371.  
  372.         rdr = reader(StringIO(sample), self.sniff(sample))
  373.  
  374.         header = rdr.next() # assume first row is header
  375.  
  376.         columns = len(header)
  377.         columnTypes = {}
  378.         for i in range(columns): columnTypes[i] = None
  379.  
  380.         checked = 0
  381.         for row in rdr:
  382.             # arbitrary number of rows to check, to keep it sane
  383.             if checked > 20:
  384.                 break
  385.             checked += 1
  386.  
  387.             if len(row) != columns:
  388.                 continue # skip rows that have irregular number of columns
  389.  
  390.             for col in columnTypes.keys():
  391.  
  392.                 for thisType in [int, long, float, complex]:
  393.                     try:
  394.                         thisType(row[col])
  395.                         break
  396.                     except (ValueError, OverflowError):
  397.                         pass
  398.                 else:
  399.                     # fallback to length of string
  400.                     thisType = len(row[col])
  401.  
  402.                 # treat longs as ints
  403.                 if thisType == long:
  404.                     thisType = int
  405.  
  406.                 if thisType != columnTypes[col]:
  407.                     if columnTypes[col] is None: # add new column type
  408.                         columnTypes[col] = thisType
  409.                     else:
  410.                         # type is inconsistent, remove column from
  411.                         # consideration
  412.                         del columnTypes[col]
  413.  
  414.         # finally, compare results against first row and "vote"
  415.         # on whether it's a header
  416.         hasHeader = 0
  417.         for col, colType in columnTypes.items():
  418.             if type(colType) == type(0): # it's a length
  419.                 if len(header[col]) != colType:
  420.                     hasHeader += 1
  421.                 else:
  422.                     hasHeader -= 1
  423.             else: # attempt typecast
  424.                 try:
  425.                     colType(header[col])
  426.                 except (ValueError, TypeError):
  427.                     hasHeader += 1
  428.                 else:
  429.                     hasHeader -= 1
  430.  
  431.         return hasHeader > 0
  432.