Úplně vidím pracovní pohovor s absolventem tohoto seriálu:
- Znáte Javu FX?
- Ano.
- A jaké konkrétní zkušenosti s ní máte?
- Čtení z databáze, zapisování do databáze, parsování CSV...
Ten rozhovor by probíhal trochu jinak:
- Znáte Javu FX?
- Ano.
- A jak jste se s ní seznámil?
- Přečetl jsem jeden online seriál.
- Aha, děkujeme, ozveme se vám.
Jinak řečeno, pokud budu obsazovat pozici, kde je Java FX potřeba, budu hledat někoho, kdo v ní už sám něco reálného napsal, pokud si jen přečetl nějaký seriál, je mi jeho kvalita celkem ukradená.
Tak to asi musis hodne blbe hledat. Myslim si, ze pokud clovek nekdy delal neco ve swingu a nebo v necem takovem, tak jse schopen se tu Java FX naucit behem par tydnu.
Nuž, tak ten zamestnávateľ za veľa nestojí, ak nedokáže
povedať rovno uchádzačovi do očí, že oňho nemá záujem.
CSV(Comma Separated Values) comma - ciarka teda ',' preco ked vidim csv tak takmer vsade je semicolon (bodkociarka)?
Protože CS/CZ/SK.
Protože pokud je parsován náš vstupní text (míněno z reálného neprogramátorského světa - tedy většina, pocházející z SK či CZ), tak čárka odděluje desetinné číslo a nadělala by tak pěknou neplechu.
Jo, bylo by fajn, pokud by bylo volitelné (či se dělalo automatické rozpoznávání) a počáteční default se bral třeba z locales. Pokud něco takového je, pro java /či java pod linux/, vůbec k dispozici jako API. Ale pokud nevolitelné, tak pokud je vstupem "normální" text, tak pro naše země je u CSV definován jako oddělovač středník - tak holt natvrdo. Zrovna v tomto bych chybu neviděl.
Brat to z locale je cesta do pekel. Pouzivat desetinou carku ve strojove zpracovatelnych souborech je cesta do pekel.
Spravne reseni je bud pouzivat natvrdo vzdy jednu variantu (a i kdyz to je carka, tak to neni zas takova tragedie, muzes mit pole ouvozovkovane "jedna, dva, tri"), nebo format, ktery i popisuje obsah (rekneme AVRO, ale moznosti je mnoho)
Ono je tam pastí ještě víc, namátkou z praxe:
1) konce řádků (CR, CRLF, dá se narazit i na něco jiného)
2) co s konci řádků ve fieldech? Quotování totiž není povinné, bohužel
3) co s řádky rozdílné délky? když se to zkombinuje s bodem 2, nikdy není moc jasné, kde se vlastně nacházíme
4) qoutování samotného znaku určeného pro quotování. Norma sice předepisuje zdvojení, ale dá se narazit i na céčkové \" \' atd. (dtto konce řádků ve fieldech někdo řeší přes \n)
5) kódování? no to odhaduju heuristikou, většinou je to Windows-1250, párkrát se dá narazit na UTF-8, dokonce i na UCS-2, no zmatek velebnosti :-)
Ve výsledku je nutné přesně specifikovat, jak má formát vypadat; napsat jen "očekávají se data v CSV" znamená si zadělat na problémy.
Tak, tak. Idealne se na obecne CSV vykaslat, pokud to jde, a bud pouzit neco jineho (AVRO...) nebo si dospecifikovat, co je potreba.
Já tedy nevím, ale IMHO je CSV poměrně jasně popsané, jak má vypadat a existují moře parserů/writerů, které ten standard dodržují. A to napříč snad všemi existujícími jazyky.
Jediné dvě/tři otevřené otázky, které "autor" formátů musí specifikovat jsou:
- oddělovač, to je v zásadě jediná věc, kterou může mít smysl měnit
- quote character (který je zároveň escape)
- kódování - s otazníkem, kdo dneska použije cokoliv jiného než UTF-8, je s prominutím babrák
Pokud někdo vytvoří skoro-něco-jako-CSV, za prvé si přidělává práci navíc, bo znovuvynalézá kolo. Za druhe si pochopitelně koleduje o problém, ale tak je to se všemi standardy, nebo ne?
Ne, CSV neni jasne popsany.
Napriklad: According to RFC 4180, spaces outside quotes in a field are not allowed; however, the RFC also says that "Spaces are considered part of a field and should not be ignored." and "Implementors should 'be conservative in what you do, be liberal in what you accept from others' (RFC 793 [8]) when processing CSV files."
Je tam toho víc, včetně zmíněných konců řádků přímo v buňkách, numerických hodnot a časových údajů ovlivněných locale (to leze hlavně ze SW pro Windows) apod.
Ale zastavím se u Tvého
"- kódování - s otazníkem, kdo dneska použije cokoliv jiného než UTF-8, je s prominutím babrák"
Jedním z pěkných testů všech těch parserů, které prý ten standard dodržují (jak píšeš), je jim podstrčit soubor s BOMem. U přibližně 1/2 všech implementací jsou potom vidět věci, z kterých vstávají vlasy na hlavě (když si člověk uvědomí, kolik dat dnes proudí v CSV, a to prosím i na "enterprise" B2B úrovni).