Python csv为不同分隔符注册 Dialect的实现方法

接第三方导出文件时，最容易踩中的坑不是 Python 不会读 CSV，而是同一批数据里同时出现逗号、制表符和冒号分隔格式。把每种格式散落在多个 csv.reader() 调用中，后续很难知道某个参数为什么存在。更稳妥的做法是给格式命名：用 csv.register_dialect() 注册一组读取参数，再把名称交给 reader。

步骤一：先把分隔符和换行边界说清楚

Dialect 解决的是 CSV 记录格式，不负责猜编码，也不负责把字段自动转换成业务类型。最常用的边界有四个：delimiter 分隔字段，quotechar 包裹含特殊字符的字段，quoting 决定何时识别引号，skipinitialspace 决定分隔符后的空格是否忽略。delimiter 必须是单字符，不能把 || 当成两个字符的分隔符。

读取文件时建议固定写成下面的形式。newline='' 让 csv 模块自己处理换行；如果省略它，跨平台换行和带引号的多行字段可能出现额外的回车或解析偏差。

from pathlib import Path
import csv

source = Path("orders.tsv")
with source.open("r", encoding="utf-8", newline="") as handle:
    # 读取阶段只关心文本与换行，不在这里偷偷转换金额或日期。
    reader = csv.reader(handle, delimiter="\t")
    for row in reader:
        # 先按字段数或必填列做结构判断，再交给业务层处理。
        if row:
            print(row)

步骤二：为每一种输入格式注册命名 Dialect

注册时可以直接传格式参数，也可以传入 Dialect 子类；关键字参数会覆盖子类或默认 Dialect 中的同名设置。下面把三种常见输入分别命名，名称本身就是数据契约的一部分。

import csv

# 名称按来源命名，避免多个业务模块都争用一个含义模糊的全局名称。
csv.register_dialect(
    "partner_csv",
    delimiter=",",
    quotechar='"',
    skipinitialspace=True,
)
csv.register_dialect(
    "warehouse_tsv",
    delimiter="\t",
    quotechar='"',
)
csv.register_dialect(
    "unix_passwd",
    delimiter=":",
    quoting=csv.QUOTE_NONE,
)

# 注册表可用于启动时检查配置是否完整。
expected = {"partner_csv", "warehouse_tsv", "unix_passwd"}
missing = expected - set(csv.list_dialects())
if missing:
    raise RuntimeError(f"缺少 CSV Dialect: {sorted(missing)}")

如果注册同名格式，维护代码应明确它是覆盖还是配置错误。生产程序通常更适合在启动阶段完成一次注册，并让重复注册直接暴露出来，而不是在每次读取文件前反复执行。

步骤三：让 reader 按名称读取不同分隔符文件

csv.reader() 可以接收已注册的字符串名称，也可以接收 Dialect 对象。用名称读取时，调用点只表达“这是什么格式”，而不再重复一长串参数。下面的函数还保留了 reader.line_num，便于把坏数据定位到输入行。

import csv
from pathlib import Path

def read_rows(path: Path, dialect_name: str) -> list[list[str]]:
    rows: list[list[str]] = []
    with path.open("r", encoding="utf-8", newline="") as handle:
        reader = csv.reader(handle, dialect=dialect_name)
        try:
            for row in reader:
                # 保留空字段，避免把分隔符位置误当成缺失整行。
                rows.append(row)
        except csv.Error as exc:
            # line_num 是解析器读取到的物理行号，适合写入错误日志。
            raise ValueError(f"{path} 第 {reader.line_num} 行格式错误") from exc
    return rows

orders = read_rows(Path("orders.csv"), "partner_csv")
records = read_rows(Path("inventory.tsv"), "warehouse_tsv")

步骤四：用参数覆盖和清理应对临时差异

Dialect 不是不可改变的黑盒。调用 reader 时可以用关键字参数临时覆盖单项配置，例如同一个供应商偶尔把空格规则改掉；这种覆盖只影响当前 reader，不会修改注册表。

with open("one-off.csv", newline="", encoding="utf-8") as handle:
    # 仅本次读取关闭分隔符后的空格忽略，不改动 partner_csv 注册项。
    reader = csv.reader(handle, dialect="partner_csv", skipinitialspace=False)
    rows = list(reader)

# 动态插件不再需要某个名称时再移除；未知名称会抛出 csv.Error。
if "unix_passwd" in csv.list_dialects():
    csv.unregister_dialect("unix_passwd")

要注意三个边界：第一，Dialect 只描述格式，不会自动把字符串转成整数；第二，Sniffer 是启发式判断，生产链路最好优先使用已知配置；第三，严格模式可以让坏输入更早失败，但是否启用要结合供应商数据的历史质量。

常见问题

注册 Dialect 后为什么还要传 dialect 参数？

注册只是把名称和参数放进注册表，reader 仍需通过 dialect="partner_csv" 选择它。也可以直接传 Dialect 对象或逐项关键字参数。

为什么读取 CSV 要写 newline='''？

csv 模块需要自行处理换行，尤其是引号字段跨行时更可靠；该设置不是分隔符配置的一部分，但属于文件打开边界。

不同文件能否共用一个 Dialect？

只有分隔符、引号和空格规则确实一致时才共用。若只是某次调用有差异，用 reader 的参数覆盖；如果差异稳定存在，应注册新的明确名称。