如何将Python字典格式的TXT文件转换为CSV数据文件？

我有一个包含300,000条记录的TXT文件，单条记录格式示例如下：

{'AIG': 'American International Group', 'AA': 'Alcoa Corporation', 'EA': 'Electronic Arts Inc.'}

我需要将这些记录导出为两列结构的CSV文件（第一列是股票代码，第二列是公司全称），但使用以下代码生成的CSV未在记录间换行，导致30万条记录在Excel中仅占两行，超出Excel列数上限无法完整显示：

import pandas as pd

read_file = pd.read_csv (r'C:\...\input.txt')
read_file.to_csv (r'C:\...\output.csv', index=None)

原代码的问题在于pd.read_csv会把整行字典内容当作单个字段处理，没有解析内部的键值对。以下是两种可行的解决方法：

方法一：使用Python内置csv模块 #

import csv
import ast

input_path = r'C:\...\input.txt'
output_path = r'C:\...\output.csv'

with open(input_path, 'r', encoding='utf-8') as txt_file, open(output_path, 'w', newline='', encoding='utf-8') as csv_file:
    writer = csv.writer(csv_file)
    # 写入表头
    writer.writerow(['股票代码', '公司全称'])
    
    for line in txt_file:
        line = line.strip()
        if not line:
            continue
        try:
            # 安全解析字符串为字典
            record_dict = ast.literal_eval(line)
            # 遍历键值对写入CSV行
            for ticker, company in record_dict.items():
                writer.writerow([ticker, company])
        except Exception as e:
            print(f"解析行出错：{line}，错误信息：{e}")

方法二：使用Pandas处理 #

如果偏好使用Pandas，需先解析每行的字典并展开为结构化数据：

import pandas as pd
import ast

input_path = r'C:\...\input.txt'
output_path = r'C:\...\output.csv'

records = []
with open(input_path, 'r', encoding='utf-8') as f:
    for line in f:
        line = line.strip()
        if line:
            record_dict = ast.literal_eval(line)
            # 将字典转为列表字典，适配Pandas结构
            records.extend([{'股票代码': k, '公司全称': v} for k, v in record_dict.items()])

# 生成DataFrame并写入CSV
df = pd.DataFrame(records)
df.to_csv(output_path, index=False, encoding='utf-8')

关键说明 #

• ast.literal_eval比原生eval更安全，专门用于解析Python字面量（如字典、列表），避免执行恶意代码。
• 逐行处理的方式可以避免一次性加载30万条数据到内存，降低内存占用压力。
• 最终生成的CSV为每行对应一条股票代码+公司全称的格式，完全适配Excel的显示逻辑。

内容的提问来源于stack exchange，提问作者HTMLHelpMe