#!/usr/bin/env python # -*- coding: utf-8 -*- import logging import sys import os import pandas as pd import psycopg2 from datetime import datetime import csv import glob import shutil # 配置日志记录器 logging.basicConfig( level=logging.INFO, format='%(asctime)s - %(name)s - %(levelname)s - %(message)s', handlers=[ logging.StreamHandler(sys.stdout) ] ) logger = logging.getLogger("load_file") # 添加健壮的导入机制 def get_config(): """ 从config模块导入配置 返回: tuple: (PG_CONFIG, STRUCTURE_UPLOAD_BASE_PATH, STRUCTURE_UPLOAD_ARCHIVE_BASE_PATH) """ # 默认配置 default_pg_config = { "host": "localhost", "port": 5432, "user": "postgres", "password": "postgres", "database": "dataops", } default_upload_path = '/tmp/uploads' default_archive_path = '/tmp/uploads/archive' try: # 动态导入，避免IDE警告 config = __import__('config') logger.info("从config模块直接导入配置") pg_config = getattr(config, 'PG_CONFIG', default_pg_config) upload_path = getattr(config, 'STRUCTURE_UPLOAD_BASE_PATH', default_upload_path) archive_path = getattr(config, 'STRUCTURE_UPLOAD_ARCHIVE_BASE_PATH', default_archive_path) return pg_config, upload_path, archive_path except ImportError: # 使用默认配置 logger.warning("无法导入config模块，使用默认值") return default_pg_config, default_upload_path, default_archive_path # 导入配置 PG_CONFIG, STRUCTURE_UPLOAD_BASE_PATH, STRUCTURE_UPLOAD_ARCHIVE_BASE_PATH = get_config() logger.info(f"配置加载完成: 上传路径={STRUCTURE_UPLOAD_BASE_PATH}, 归档路径={STRUCTURE_UPLOAD_ARCHIVE_BASE_PATH}") def get_pg_conn(): """获取PostgreSQL连接""" return psycopg2.connect(**PG_CONFIG) def get_table_columns(table_name): """ 获取表的列信息，包括列名和注释 返回: dict: {列名: 列注释} 的字典 """ conn = get_pg_conn() cursor = conn.cursor() try: # 查询表列信息 cursor.execute(""" SELECT column_name, col_description((table_schema || '.' || table_name)::regclass::oid, ordinal_position) as column_comment FROM information_schema.columns WHERE table_schema = 'public' -- 明确指定 schema，如果需要 AND table_name = %s ORDER BY ordinal_position """, (table_name.lower(),)) columns = {} for row in cursor.fetchall(): col_name = row[0] col_comment = row[1] if row[1] else col_name # 如果注释为空，使用列名 columns[col_name] = col_comment if not columns: logger.warning(f"未能获取到表 '{table_name}' 的列信息，请检查表是否存在、schema是否正确以及权限。") return columns except Exception as e: logger.error(f"获取表 '{table_name}' 的列信息时出错: {str(e)}") return {} finally: cursor.close() conn.close() def match_csv_columns(csv_headers, table_columns): """ 匹配CSV列名与表列名 策略: 1. 尝试通过表字段注释匹配CSV列名 (忽略大小写和空格) 2. 尝试通过名称直接匹配 (忽略大小写和空格) 参数: csv_headers (list): CSV文件的列名列表 table_columns (dict): {数据库列名: 列注释} 的字典 返回: dict: {CSV列名: 数据库列名} 的映射字典 """ mapping = {} matched_table_cols = set() # 数据库列名通常不区分大小写（除非加引号），注释可能区分 # 为了匹配更健壮，我们将CSV和数据库列名/注释都转为小写处理 processed_table_columns_lower = {col.lower(): col for col in table_columns.keys()} processed_comment_to_column_lower = { str(comment).lower(): col for col, comment in table_columns.items() if comment } # 预处理 CSV headers processed_csv_headers_lower = {str(header).lower(): header for header in csv_headers} # 1. 通过注释匹配 (忽略大小写) for processed_header, original_header in processed_csv_headers_lower.items(): if processed_header in processed_comment_to_column_lower: table_col_original_case = processed_comment_to_column_lower[processed_header] if table_col_original_case not in matched_table_cols: mapping[original_header] = table_col_original_case matched_table_cols.add(table_col_original_case) logger.info(f"通过注释匹配: CSV 列 '{original_header}' -> 表列 '{table_col_original_case}'") # 2. 通过名称直接匹配 (忽略大小写)，仅匹配尚未映射的列 for processed_header, original_header in processed_csv_headers_lower.items(): if original_header not in mapping: # 仅当此 CSV 列尚未映射时才进行名称匹配 if processed_header in processed_table_columns_lower: table_col_original_case = processed_table_columns_lower[processed_header] if table_col_original_case not in matched_table_cols: mapping[original_header] = table_col_original_case matched_table_cols.add(table_col_original_case) logger.info(f"通过名称匹配: CSV 列 '{original_header}' -> 表列 '{table_col_original_case}'") unmapped_csv = [h for h in csv_headers if h not in mapping] if unmapped_csv: logger.warning(f"以下 CSV 列未能匹配到表列: {unmapped_csv}") unmapped_table = [col for col in table_columns if col not in matched_table_cols] if unmapped_table: logger.warning(f"以下表列未能匹配到 CSV 列: {unmapped_table}") return mapping def load_csv_to_table(csv_file, table_name, execution_mode='append'): """ 将单个CSV文件数据加载到目标表 参数: csv_file (str): CSV文件路径 table_name (str): 目标表名 (大小写可能敏感，取决于数据库) execution_mode (str): 执行模式，'append'或'full_refresh' 返回: bool: 成功返回True，失败返回False """ conn = None cursor = None # 初始化 cursor logger.info(f"开始处理文件: {csv_file}") try: # 读取CSV文件，尝试自动检测编码 try: # 使用 dtype=str 确保所有列按字符串读取，避免类型推断问题，特别是对于ID类字段 df = pd.read_csv(csv_file, encoding='utf-8', keep_default_na=False, na_values=[r'\N', '', 'NULL', 'null'], dtype=str) except UnicodeDecodeError: try: logger.warning(f"UTF-8 读取失败，尝试 GBK: {csv_file}") df = pd.read_csv(csv_file, encoding='gbk', keep_default_na=False, na_values=[r'\N', '', 'NULL', 'null'], dtype=str) except UnicodeDecodeError: logger.warning(f"GBK 读取也失败，尝试 latin1: {csv_file}") df = pd.read_csv(csv_file, encoding='latin1', keep_default_na=False, na_values=[r'\N', '', 'NULL', 'null'], dtype=str) except Exception as read_err: logger.error(f"读取 CSV 文件 {csv_file} 时发生未知错误: {str(read_err)}") return False logger.info(f"成功读取CSV文件: {os.path.basename(csv_file)}, 共 {len(df)} 行") # 清理列名中的潜在空白符 df.columns = df.columns.str.strip() # 如果CSV为空，则直接认为成功并返回 if df.empty: logger.info(f"CSV 文件 {csv_file} 为空，无需加载数据。") return True # 获取CSV列名 (清理后) csv_headers = df.columns.tolist() logger.info(f"清理后的 CSV 列名: {csv_headers}") # 获取表结构 table_columns = get_table_columns(table_name) if not table_columns: logger.error(f"无法获取表 '{table_name}' 的列信息，跳过文件 {csv_file}") return False logger.info(f"表 '{table_name}' 的列信息 (列名: 注释): {table_columns}") # 匹配CSV列与表列 column_mapping = match_csv_columns(csv_headers, table_columns) logger.info(f"列映射关系 (CSV列名: 表列名): {column_mapping}") # 检查是否有任何列成功映射 if not column_mapping: logger.error(f"文件 {csv_file} 的列无法与表 '{table_name}' 的列建立任何映射关系，跳过此文件。") return False # 如果一个都没匹配上，则认为失败 # 仅选择成功映射的列进行加载 mapped_csv_headers = list(column_mapping.keys()) # 使用 .copy() 避免 SettingWithCopyWarning df_mapped = df[mapped_csv_headers].copy() df_mapped.rename(columns=column_mapping, inplace=True) logger.info(f"将加载以下映射后的列: {df_mapped.columns.tolist()}") # 将空字符串 '' 替换为 None，以便插入数据库时为 NULL # 使用 map 替代已废弃的 applymap 方法 # 对每一列单独应用 map 函数 for col in df_mapped.columns: df_mapped[col] = df_mapped[col].map(lambda x: None if isinstance(x, str) and x == '' else x) # 连接数据库 conn = get_pg_conn() cursor = conn.cursor() # 根据执行模式确定操作 - 注意：full_refresh 在 run 函数层面控制，这里仅处理单个文件追加 # if execution_mode == 'full_refresh': # logger.warning(f"在 load_csv_to_table 中收到 full_refresh，但清空操作应在 run 函数完成。此处按 append 处理文件：{csv_file}") # # 如果是全量刷新，先清空表 - 这个逻辑移到 run 函数 # logger.info(f"执行全量刷新，清空表 {table_name}") # cursor.execute(f"TRUNCATE TABLE {table_name}") # 构建INSERT语句 # 使用原始大小写的数据库列名（从 column_mapping 的 value 获取）并加引号 columns = ', '.join([f'"{col}"' for col in df_mapped.columns]) placeholders = ', '.join(['%s'] * len(df_mapped.columns)) # 假设表在 public schema，并为表名加引号以处理大小写或特殊字符 insert_sql = f'INSERT INTO public."{table_name}" ({columns}) VALUES ({placeholders})' # 批量插入数据 # df_mapped.values 会产生 numpy array，需要转换为 list of tuples # 确保 None 值正确传递 rows = [tuple(row) for row in df_mapped.values] try: cursor.executemany(insert_sql, rows) conn.commit() logger.info(f"成功将文件 {os.path.basename(csv_file)} 的 {len(rows)} 行数据插入到表 '{table_name}'") except Exception as insert_err: logger.error(f"向表 '{table_name}' 插入数据时出错: {str(insert_err)}") logger.error(f"出错的 SQL 语句大致为: {insert_sql}") # 可以考虑记录前几行出错的数据 (注意隐私和日志大小) try: logger.error(f"出错的前3行数据 (部分): {rows[:3]}") except: pass # 防御性编程 conn.rollback() # 回滚事务 return False # 插入失败则返回 False return True except pd.errors.EmptyDataError: logger.info(f"CSV 文件 {csv_file} 为空或只有表头，无需加载数据。") return True # 空文件视为成功处理 except Exception as e: # 使用 exc_info=True 获取更详细的堆栈跟踪信息 logger.error(f"处理文件 {csv_file} 加载到表 '{table_name}' 时发生意外错误", exc_info=True) if conn: conn.rollback() return False finally: if cursor: cursor.close() if conn: conn.close() def run(table_name, execution_mode='append', exec_date=None, target_type=None, storage_location=None, frequency=None, script_name=None, **kwargs): """ 统一入口函数，支持通配符路径，处理并归档文件 """ if script_name is None: script_name = os.path.basename(__file__) # 修正之前的日志记录格式错误 exec_mode_str = '全量刷新' if execution_mode == 'full_refresh' else '增量追加' logger.info(f"===== 开始执行 {script_name} ({exec_mode_str}) =====") logger.info(f"表名: {table_name}") logger.info(f"执行模式: {execution_mode}") logger.info(f"执行日期: {exec_date}") logger.info(f"目标类型: {target_type}") logger.info(f"资源类型: {target_type}, 文件相对路径模式: {storage_location}") logger.info(f"基准上传路径: {STRUCTURE_UPLOAD_BASE_PATH}") logger.info(f"基准归档路径: {STRUCTURE_UPLOAD_ARCHIVE_BASE_PATH}") logger.info(f"更新频率: {frequency}") # 记录其他参数 for key, value in kwargs.items(): logger.info(f"其他参数 - {key}: {value}") # 检查必要参数 if not storage_location: logger.error("未提供 storage_location (文件查找路径模式)") return False if not STRUCTURE_UPLOAD_BASE_PATH: logger.error("配置错误: STRUCTURE_UPLOAD_BASE_PATH 未设置") return False if not STRUCTURE_UPLOAD_ARCHIVE_BASE_PATH: logger.error("配置错误: STRUCTURE_UPLOAD_ARCHIVE_BASE_PATH 未设置") return False # 记录执行开始时间 overall_start_time = datetime.now() # 构建完整搜索路径 # 使用 os.path.normpath 确保路径分隔符正确 # 如果storage_location以斜杠开头，移除开头的斜杠以避免被当作绝对路径处理 if storage_location.startswith('/'): storage_location = storage_location.lstrip('/') logger.info(f"检测到storage_location以斜杠开头，已移除: {storage_location}") full_search_pattern = os.path.normpath(os.path.join(STRUCTURE_UPLOAD_BASE_PATH, storage_location)) logger.info(f"完整文件搜索模式: {full_search_pattern}") # 检查路径是否存在（至少目录部分） search_dir = os.path.dirname(full_search_pattern) if not os.path.exists(search_dir): error_msg = f"错误: 搜索目录不存在: {search_dir}" logger.error(error_msg) raise FileNotFoundError(error_msg) # 抛出异常而不是返回False # 查找匹配的文件 try: # 增加 recursive=True 如果需要递归查找子目录中的文件 (例如 storage_location 是 a/b/**/*.csv) # 当前假设模式只在指定目录下匹配，例如 /data/subdir/*.csv found_files = glob.glob(full_search_pattern, recursive=False) except Exception as glob_err: logger.error(f"查找文件时发生错误 (模式: {full_search_pattern}): {str(glob_err)}") raise # 重新抛出异常 if not found_files: logger.warning(f"在目录 {search_dir} 下未找到匹配模式 '{os.path.basename(full_search_pattern)}' 的文件") return True # 找不到文件视为正常情况，返回成功 logger.info(f"找到 {len(found_files)} 个匹配文件: {found_files}") # 如果是全量刷新，在处理任何文件前清空表 if execution_mode == 'full_refresh': conn = None cursor = None try: conn = get_pg_conn() cursor = conn.cursor() # 假设表在 public schema，并为表名加引号 logger.info(f"执行全量刷新，清空表 public.\"{table_name}\"") cursor.execute(f'TRUNCATE TABLE public.\"{table_name}\"') conn.commit() logger.info("表 public.\"" + table_name + "\" 已清空。") except Exception as e: logger.error("清空表 public.\"" + table_name + "\" 时出错: " + str(e)) if conn: conn.rollback() return False # 清空失败则直接失败退出 finally: if cursor: cursor.close() if conn: conn.close() # 处理并归档每个找到的文件 processed_files_count = 0 failed_files = [] for file_path in found_files: file_start_time = datetime.now() # 使用 normpath 统一路径表示 normalized_file_path = os.path.normpath(file_path) logger.info(f"--- 开始处理文件: {os.path.basename(normalized_file_path)} ---") try: # 加载CSV数据到表 (注意：full_refresh时也是append模式加载，因为表已清空) load_success = load_csv_to_table(normalized_file_path, table_name, 'append') if load_success: logger.info(f"文件 {os.path.basename(normalized_file_path)} 加载成功。") processed_files_count += 1 # 归档文件 try: # 计算相对路径部分 (storage_location 可能包含子目录) # 使用 os.path.dirname 获取 storage_location 的目录部分 relative_dir = os.path.dirname(storage_location) # 获取当前日期 date_str = datetime.now().strftime('%Y-%m-%d') # 构建归档目录路径 archive_dir = os.path.normpath(os.path.join(STRUCTURE_UPLOAD_ARCHIVE_BASE_PATH, relative_dir, date_str)) # 创建归档目录（如果不存在） os.makedirs(archive_dir, exist_ok=True) # 获取当前unix时间戳并转换为字符串 unix_timestamp = int(datetime.now().timestamp()) # 修改文件名，添加时间戳 original_filename = os.path.basename(normalized_file_path) filename_parts = os.path.splitext(original_filename) new_filename = f"{filename_parts[0]}_{unix_timestamp}{filename_parts[1]}" # 构建文件在归档目录中的最终路径 archive_dest_path = os.path.join(archive_dir, new_filename) # 移动文件 shutil.move(normalized_file_path, archive_dest_path) logger.info(f"文件已成功移动到归档目录并重命名: {archive_dest_path}") except Exception as move_err: # 记录错误，但由于数据已加载，不将整体任务标记为失败 logger.error(f"加载文件 {os.path.basename(normalized_file_path)} 成功，但移动到归档目录时出错", exc_info=True) logger.error(f"原始文件路径: {normalized_file_path}") else: logger.error(f"文件 {os.path.basename(normalized_file_path)} 加载失败，中止处理。") # 修改：任何一个文件加载失败就直接返回 False # 记录最终统计 overall_end_time = datetime.now() overall_duration = (overall_end_time - overall_start_time).total_seconds() logger.info(f"===== {script_name} 执行完成 (失败) =====") logger.info(f"总耗时: {overall_duration:.2f}秒") logger.info(f"共找到文件: {len(found_files)}") logger.info(f"成功处理文件数: {processed_files_count}") logger.error(f"首个失败文件: {os.path.basename(normalized_file_path)}") return False except Exception as file_proc_err: logger.error(f"处理文件 {os.path.basename(normalized_file_path)} 时发生意外错误", exc_info=True) # 修改：任何一个文件处理异常就直接返回 False # 记录最终统计 overall_end_time = datetime.now() overall_duration = (overall_end_time - overall_start_time).total_seconds() logger.info(f"===== {script_name} 执行完成 (异常) =====") logger.info(f"总耗时: {overall_duration:.2f}秒") logger.info(f"共找到文件: {len(found_files)}") logger.info(f"成功处理文件数: {processed_files_count}") logger.error(f"首个异常文件: {os.path.basename(normalized_file_path)}") return False finally: file_end_time = datetime.now() file_duration = (file_end_time - file_start_time).total_seconds() logger.info(f"--- 文件 {os.path.basename(normalized_file_path)} 处理结束，耗时: {file_duration:.2f}秒 ---") # 记录总体执行结果（全部成功的情况） overall_end_time = datetime.now() overall_duration = (overall_end_time - overall_start_time).total_seconds() logger.info(f"===== {script_name} 执行完成 (成功) =====") logger.info(f"总耗时: {overall_duration:.2f}秒") logger.info(f"共找到文件: {len(found_files)}") logger.info(f"成功处理文件数: {processed_files_count}") return True # 所有文件处理成功 if __name__ == "__main__": # 直接执行时的测试代码 import argparse parser = argparse.ArgumentParser(description='从CSV文件加载数据到表（支持通配符）') parser.add_argument('--table', type=str, required=True, help='目标表名') parser.add_argument('--pattern', type=str, required=True, help='CSV文件查找模式 (相对于基准上传路径的相对路径，例如: data/*.csv 或 *.csv)') parser.add_argument('--mode', type=str, default='append', choices=['append', 'full_refresh'], help='执行模式: append 或 full_refresh') args = parser.parse_args() # 构造必要的 kwargs run_kwargs = { "table_name": args.table, "execution_mode": args.mode, "storage_location": args.pattern, "target_type": 'structure', "exec_date": datetime.now().strftime('%Y-%m-%d'), "frequency": "manual", "script_name": os.path.basename(__file__) } logger.info("命令行测试执行参数: " + str(run_kwargs)) success = run(**run_kwargs) if success: print("CSV文件加载任务执行完毕，所有文件处理成功。") sys.exit(0) else: print("CSV文件加载任务执行完毕，但有部分或全部文件处理失败。") sys.exit(1)