USPS TXT文件按规则拆分及字段解析技术求助

1. 拆分以Z开头的182字符记录 #

由于文件是连续长文本，read.table会将所有内容读入同一行，我们可以先读取整个文件为字符串，再通过正则拆分出每条符合要求的记录：

# 读取完整文件内容
raw_content <- readChar("918.txt", file.info("918.txt")$size)

# 利用正向预查正则拆分所有以Z开头的片段
all_records <- strsplit(raw_content, "(?=Z)", perl = TRUE)[[1]]

# 清理无效记录：过滤空字符串和长度不符的条目
valid_records <- all_records[nzchar(all_records) & nchar(all_records) == 182]

2. 解析Z后的固定长度字段 #

USPS记录为固定长度格式，直接用substr按位置提取Z后的各字段即可（以下为示例，需根据实际USPS记录规范调整字段位置）：

# 解析为数据框
parsed_data <- data.frame(
  # 示例字段：Z后第1-5位为记录ID（对应字符串位置2-6）
  record_id = substr(valid_records, 2, 6),
  # 示例字段：Z后第6-10位为邮政编码（对应字符串位置7-11）
  zip_code = substr(valid_records, 7, 11),
  # 示例字段：Z后第11-14位为投递点编码（对应字符串位置12-15）
  delivery_point = substr(valid_records, 12, 15),
  # 按需添加其他字段，参考USPS官方文档的字段位置定义
  stringsAsFactors = FALSE
)

批量处理多份TXT文件 #

如果有多个USPS文件，用循环或lapply批量处理并合并结果：

# 获取所有目标TXT文件路径
file_paths <- list.files(path = "./usps_files", pattern = "\\.txt$", full.names = TRUE)

# 批量处理每个文件
all_results <- lapply(file_paths, function(file) {
  raw <- readChar(file, file.info(file)$size)
  records <- strsplit(raw, "(?=Z)", perl = TRUE)[[1]]
  valid <- records[nzchar(records) & nchar(records) == 182]
  
  data.frame(
    source_file = basename(file),
    record_id = substr(valid, 2, 6),
    zip_code = substr(valid, 7, 11),
    # 其他字段...
    stringsAsFactors = FALSE
  )
})

# 合并所有文件的解析结果
final_dataset <- do.call(rbind, all_results)

注意事项 #

• 正则(?=Z)是正向预查断言，确保在每个Z字符前拆分，不会破坏记录开头的Z；需开启perl = TRUE才能生效。
• 字段位置必须严格匹配USPS对应记录格式的官方定义，不同类型的USPS文件（如NCOA Link、DPV）字段布局不同。

内容的提问来源于stack exchange，提问作者samrdbar