如何发现截断的数据项
截断（形容词）：缩写、删节、缩减、剪切、剪裁、裁剪、修剪……
数据项被截断的一种情况是将其输入到数据库字段中，该字段的字符限制比数据项的长度要短。例如，字符串：
Yarrow Ravine Rattlesnake Habitat Area, 2 mi ENE of Yermo CA
是 60 个字符长。如果你将其输入到具有 50 个字符限制的“位置”字段，则可以获得：
Yarrow Ravine Rattlesnake Habitat Area, 2 mi ENE #末尾带有一个空格
截断也可能导致数据错误，比如你打算输入：
Sally Ann Hunter (aka Sally Cleveland)
但是你忘记了闭合的括号：
Sally Ann Hunter (aka Sally Cleveland
这会让使用数据的用户觉得 Sally 是否有被修剪掉了数据项的其它的别名。
截断的数据项很难检测。在审核数据时，我使用三种不同的方法来查找可能的截断，但我仍然可能会错过一些。
**数据项的长度分布。**第一种方法是捕获我在各个字段中找到的大多数截断的数据。我将字段传递给 awk 命令，该命令按字段宽度计算数据项，然后我使用 sort 以宽度的逆序打印计数。例如，要检查以 tab 分隔的文件 midges 中的第 33 个字段：
awk -F"\t" 'NR>1 {a[length($33)]++} \
END {for (i in a) print i FS a[i]}' midges | sort -nr
最长的条目恰好有 50 个字符，这是可疑的，并且在该宽度处存在数据项的“凸起”，这更加可疑。检查这些 50 个字符的项目会发现截断：
我用这种方式检查的其他数据表有 100、200 和 255 个字符的“凸起”。在每种情况下，这种“凸起”都包含明显的截断。
**未匹配的括号。**第二种方法查找类似 ...(Sally Cleveland 的数据项。一个很好的起点是数据表中所有标点符号的统计。这里我检查文件 mag2：
grep -o "[[:punct:]]" file | sort | uniqc
请注意，mag2 中的开括号和闭括号的数量不相等。要查看发生了什么，我使用 unmatched 函数，它接受三个参数并检查数据表中的所有字段。第一个参数是文件名，第二个和第三个是开括号和闭括号，用引号括起来。
unmatched()
{
awk -F"\t" -v start="$2" -v end="$3" \
'{for (i=1;i<=NF;i++) \
if (split($i,a,start) != split($i,b,end)) \
print "line "NR", field "i":\n"$i}' "$1"
}
如果在字段中找到开括号和闭括号之间不匹配，则 unmatched 会报告行号和字段号。这依赖于 awk 的 split 函数，它返回由分隔符分隔的元素数（包括空格）。这个数字总是比分隔符的数量多一个：
这里 ummatched 检查 mag2 中的圆括号并找到一些可能的截断：
我使用 unmatched 来找到不匹配的圆括号 ()、方括号 []、花括号 {} 和尖括号 <>，但该函数可用于任何配对的标点字符。
**意外的结尾。**第三种方法查找以尾随空格或非终止标点符号结尾的数据项，如逗号或连字符。这可以在单个字段上用 cut 用管道输入到 grep 完成，或者用 awk 一步完成。在这里，我正在检查以制表符分隔的表 herp5 的字段 47，并提取可疑数据项及其行号：
cut -f47 herp5 | grep -n "[ ,;:-]$"
或
awk -F"\t" '$47 ~ /[ ,;:-]$/ {print NR": "$47}' herp5
用于制表符分隔文件的 awk 命令的全字段版本是：
awk -F"\t" '{for (i=1;i<=NF;i++) if ($i ~ /[ ,;:-]$/) \
print "line "NR", field "i":\n"$i}' file
**谨慎的想法。**在我对字段进行的验证测试期间也会出现截断。例如，我可能会在“年”的字段中检查合理的 4 位数条目，并且有个 198 可能是 198n？还是 1898 年？带有丢失字符的截断数据项是个谜。 作为数据审计员，我只能报告（可能的）字符损失，并建议数据编制者或管理者恢复（可能）丢失的字符。
via: https://www.polydesmida.info/BASHing/2018-07-04.html
作者：polydesmida 选题：lujun9972 译者：wxy 校对：wxy
下一篇：用 Git 建立和托管网站