如何准确判断一个文件是否为TSV文件？

这个问题和之前的一个讨论线程关联度很高，我最近也在琢磨怎么写个函数来判断输入文件是不是真的TSV格式——毕竟只靠file.endswith('.tsv')肯定不靠谱，随便把CSV或者分号分隔的文件改个后缀名就能蒙混过关。

举个例子，比如有这么一组表格数据：

在文本编辑器里，它的真实内容应该是用制表符分隔的：

a	b	c
1	foo	3.42
bar	foo, bar

根据维基百科的定义：

TSV的规范是：记录之间用换行符分隔，同一条记录内的各个值用制表符（tab）分隔。

你提到的最小可行方案（MVP）——检查每行都以换行符结尾，且每行的制表符数量一致，这个思路方向是对的，但还有几个细节需要补充，不然可能会误判：

• 空行与特殊行的处理：如果文件里存在空行、注释行（比如以#开头的行），这些行的制表符数量肯定和数据行不一致，需要先判断是否要跳过这类行再统计制表符数量，不然会直接判定为非TSV文件。
• 列数一致性校验：准确来说，应该是有效数据行的列数一致（列数=制表符数量+1），比如表头有2个制表符（对应3列），那每一行数据也应该有2个制表符，确保列数统一。
• 特殊字段的兼容：如果某个字段里包含换行符（严格规范下会用引号包裹），但实际场景中有些TSV可能没做这个处理，这种情况你的基础校验逻辑会失效，要不要处理这类极端情况，得看你的使用场景需求。
• 文件编码的坑：读取文件时如果用了错误的编码，可能会把制表符或者换行符解析成乱码，导致校验失败，所以最好先指定通用编码（比如UTF-8）来读取文件。

总的来说，你的核心思路没问题——验证行分隔符和字段分隔符的规范，但要结合实际场景补充一些边界情况的处理。如果是日常使用的轻量校验，那检查有效行的制表符数量一致、字段用制表符分隔，就足够覆盖大部分场景了；如果要做严格的合规校验，那还得考虑引号转义、特殊字符处理等更细节的规范。

备注：内容来源于stack exchange，提问作者Johannes Wiesner