Python实现混乱格式TXT转CSV：文本数据清洗方法问询

针对这种包含多种分隔符的文本行，用正则表达式提取字段是最高效的方案，比多次split更稳定。以下是Python实现步骤：

核心思路 #

用正则匹配每行的四个关键字段：邮箱、验证码、状态、日期，忽略中间的分隔符和多余空格，再将字段按CSV格式拼接。

完整代码实现 #

import re

# 读取原始TXT文件
with open('input.txt', 'r', encoding='utf-8') as infile:
    lines = infile.readlines()

# 准备正则匹配规则，精准匹配每行的四个字段
pattern = re.compile(r'([\w@.]+):([\w]+)\s*\|\s*(Status)\s*-\s*(\d{4}-\d{2}-\d{2})')

# 处理每行并生成CSV内容
csv_lines = []
for line in lines:
    line = line.strip()
    if not line:  # 跳过空行
        continue
    match = pattern.match(line)
    if match:
        # 提取字段并清理多余空格，按CSV格式拼接
        email, code, status, date = [item.strip() for item in match.groups()]
        csv_line = f"{email}, {code}, {status}, {date}"
        csv_lines.append(csv_line)

# 写入CSV文件
with open('output.csv', 'w', encoding='utf-8', newline='') as outfile:
    # 可选：写入CSV表头
    outfile.write("Email, Code, Status, Date\n")
    outfile.write('\n'.join(csv_lines))

代码说明 #

• 正则表达式([\w@.]+):([\w]+)\s*\|\s*(Status)\s*-\s*(\d{4}-\d{2}-\d{2})：
  • ([\w@.]+)：匹配邮箱格式（包含字母、数字、@、.）
  • :([\w]+)：匹配冒号后的验证码（字母数字组合）
  • \s*\|\s*：匹配|前后的任意数量空格
  • (Status)\s*-\s*：匹配Status和横杠前后的任意空格
  • (\d{4}-\d{2}-\d{2})：匹配YYYY-MM-DD格式的日期
• 自动跳过空行，避免CSV出现无效行
• 用strip()统一清理字段前后的空格，保证输出格式一致

如果你的TXT里有其他格式变体，只需微调正则表达式的匹配规则即可适配。

内容的提问来源于stack exchange，提问作者foliwe83