在处理 csv 文件时，常需同时保留解析后的 python 列表（如 ["a", "b", "c"]）和对应的原始文本行（如 "a,b,c"），用于校验、日志、错误定位或审计。本文提供一种健壮、兼容换行符内嵌场景的实现方案。
在处理 csv 文件时，常需同时保留解析后的 python 列表（如 ["a", "b", "c"]）和对应的原始文本行（如 "a,b,c"），用于校验、日志、错误定位或审计。本文提供一种健壮、兼容换行符内嵌场景的实现方案。
CSV 标准允许字段中包含换行符（例如用双引号包裹的 "field\nwith\nnewlines"），这意味着一个逻辑 CSV 行可能跨越多个物理文件行。因此，无法简单地按行读取原始文本并一一对应 csv.reader 的 row —— 必须依赖 CSV 解析器自身对“行”的定义。
幸运的是，csv.reader 提供了 line_num 属性，它表示已成功解析的逻辑行数（从 1 开始计数），该值在每次 for row in reader: 迭代后自动更新。我们可以利用这一特性，配合一个独立的二进制文件句柄，精准回溯并提取出构成当前逻辑行的所有原始字节。
以下是一个生产就绪的封装函数：
QuickBooks Mileage CSV
下载
使用 qbo-mileage CLI 及用户凭证，从 Airtable、Outlook 或 Google Calendar 记录生成 QuickBooks Online 里程 CSV 文件。
import csv
def iter_csv_with_raw(filename, **csv_kwargs):
"""
迭代 CSV 文件，同时返回原始字节行（bytes）和解析后的字段列表（list[str]）。
注意：
- 返回的 raw 是 bytes 类型，若需 str，请用 raw.decode(encoding) 转换（默认 utf-8）
- 支持含内嵌换行符的 CSV 字段（如 "a,\"b\nc\",d" → ["a", "b\nc", "d"]）
- 内部使用两个文件句柄，确保原子性；自动关闭资源。
"""
with open(filename, "r", newline="", **csv_kwargs) as text_f, \
open(filename, "rb") as binary_f:
reader = csv.reader(text_f, **csv_kwargs)
prev_line_num = 0
for row in reader:
# 获取当前逻辑行号（已解析行数）
current_line_num = reader.line_num
# 读取从 prev_line_num+1 到 current_line_num 的所有物理行（字节）
raw_lines = []
for _ in range(current_line_num - prev_line_num):
line = binary_f.readline()
if not line: # 防止 EOF 异常
break
raw_lines.append(line)
raw = b"".join(raw_lines)
prev_line_num = current_line_num
yield raw, row
# 使用示例
for raw_bytes, parsed_row in iter_csv_with_raw("some.csv"):
raw_str = raw_bytes.rstrip(b"\r\n").decode("utf-8") # 去除末尾换行并解码
print(f"Parsed: {parsed_row}")
print(f"Raw: '{raw_str}'")
print("---")
✅ 关键优势说明：
- ✅ 语义准确：raw 对应 csv.reader 所认定的“一行”，天然支持 RFC 4180 规范（含引号内换行、转义等）。
- ✅ 零丢失：不会因编码、BOM 或行尾差异导致错位。
- ✅ 内存友好：逐行生成，不缓存整个文件。
- ✅ 可定制：支持传入 delimiter, quotechar, encoding 等所有 csv.reader 参数。
⚠️ 注意事项：
- raw 是 bytes，请根据实际文件编码（如 "gbk"、"utf-8-sig"）调用 .decode()；建议在 open() 中显式指定 encoding 并保持一致。
- 若 CSV 文件极大且每行原始数据极长，raw 可能占用较多内存——此时可考虑仅记录原始行偏移量（binary_f.tell() 在读取前捕获），后续按需读取。
- 不要混用 text_f 和 binary_f 的 tell()/seek()，本方案严格依赖 line_num + readline() 组合，规避了文本模式下指针不可靠的问题。
通过该方法，你既能获得结构化的 row 用于业务逻辑，又能保留原始 raw 用于审计、diff、重写或失败回滚，真正实现解析与溯源的一体化。
