本文介绍在 python 中解析 csv 文件时，如何同步保留每行的结构化数据（list）和原始未处理的字符串行（含引号、转义、换行等），适用于数据验证、审计日志与差错比对等场景。
本文介绍在 python 中解析 csv 文件时，如何同步保留每行的结构化数据（list）和原始未处理的字符串行（含引号、转义、换行等），适用于数据验证、审计日志与差错比对等场景。
CSV 格式看似简单，但其规范允许字段内嵌换行符、双引号转义、逗号分隔等复杂情况（例如 "John\nDoe","123, Main St","active"）。这意味着：一行逻辑 CSV 记录可能跨越多行物理文本。因此，无法仅靠逐行读取文件（f.readline()）直接与 csv.reader 的 row 一一对应——必须依赖 CSV 解析器自身对“逻辑行”的判定。
幸运的是，Python 标准库 csv.reader 提供了 line_num 属性，它精确记录已成功解析的逻辑行数（从 1 开始计数），且该值在每次迭代 for row in reader: 后自动更新。我们可利用此特性，配合一个独立的二进制文件句柄，按需读取对应数量的原始字节行，从而重建原始输入行（注意：此处“行”指以 \n 或 \r\n 结尾的物理行，而非逻辑 CSV 行）。
以下是一个健壮、可复用的生成器函数实现：
import csv
def csv_with_raw(filename, encoding='utf-8'):
"""
生成 (原始字节行, 解析后列表) 元组的迭代器。
注意：原始行包含末尾换行符，且为 bytes 类型；如需字符串，请解码。
"""
with open(filename, "r", encoding=encoding) as text_f, \
open(filename, "rb") as binary_f:
reader = csv.reader(text_f)
prev_line_num = 0
for row in reader:
current_line_num = reader.line_num
# 读取从 prev_line_num+1 到 current_line_num 的所有物理行（即本次解析对应的原始行）
raw_lines = []
for _ in range(current_line_num - prev_line_num):
line = binary_f.readline()
if not line: # 文件意外结束
break
raw_lines.append(line)
raw_bytes = b''.join(raw_lines)
prev_line_num = current_line_num
yield raw_bytes, row
# 使用示例
for raw_bytes, parsed_row in csv_with_raw("some.csv"):
raw_str = raw_bytes.rstrip(b'\r\n').decode('utf-8') # 去掉换行并转为字符串（可选）
print(f"原始行: {raw_str!r}")
print(f"解析行: {parsed_row}")
print("---")
关键说明与注意事项：
- ✅ line_num 是可靠依据：它由 csv.reader 内部维护，准确反映已完整解析的逻辑行数，不受底层 next() 调用导致的文本文件指针偏移影响。
- ⚠️ 原始行是 bytes：二进制模式读取确保原始字节（包括 BOM、特殊编码字符）不被破坏。如需字符串，务必显式 .decode()，并指定正确编码（默认 'utf-8'）。
- ⚠️ 换行符处理：binary_f.readline() 返回的 bytes 包含原始换行符（\n 或 \r\n）。示例中使用 .rstrip(b'\r\n') 清理，可根据需求调整（例如保留换行用于日志对齐）。
- ⚠️ 性能考量：对于超大文件，频繁调用 readline() 在二进制句柄上开销可控，但若需极致性能，可考虑内存映射（mmap）或流式缓冲策略。
- ❌ 不适用场景：若 CSV 中存在跨多物理行的字段（如 "field\nwith\nnewline"），raw_bytes 将包含所有参与该逻辑行的物理行，此时 raw_bytes 对应的是构成该逻辑行的所有原始文本块，而非单行——这恰恰是 CSV 规范所要求的“原始输入”，符合验证目的。
此方法在数据管道、ETL 审计、格式合规性检查等需要“解析结果 ↔ 原始输入”双向追溯的场景中，提供了简洁、标准、无第三方依赖的解决方案。
