如何在sas中正确导入带分隔符的txt数据

亲们，我现在有这样一个txt格式的数据，数据之间是用‘|’分割的，变量名和其对应的值之间又是用”~“分割的，而且有的变量在对应的观测行是缺失的，请问我如何才能正确的导入？

我上午使用这个程序尝试了一下：
proc import datafile=   dbms=dlm replace;
delimiter="|"
getnames=no;
run;
但是导入进去以后，由于有的变量在某些航压根没有，所以导致了很多变量的值错位了，而且第二个问题变量和其对应的值我还不知道怎么提取出来？求大神们指教。。

数据样本，我最后需要的仅仅是红色标注的那几个变量。

给你个程序，自己慢慢搬吧。有点笨的办法

1. data A ;
   
2. infile f1;
   
3. LENGTH ID TIME_STAMP $20;
   
4. LENGTH PAGE_NAME $50;
   
5. input;
   
6. A =tranwrd(tranwrd(_infile_, "ID~", "="), "TIME_STAMP~","=");
   
7. ID=SCAN(SCAN(A, 2, "="), 1, "|");
   
8. A =SCAN(A, 3, "=");
   
9. A =tranwrd(A, "PAGE_NAME~", "=");
   
10. TIME_STAMP = SCAN(SCAN(A, 1, "="), 1, "|");
    
11. A =SCAN(A, 2, "=");
    
12. A =tranwrd(A, "PORTLET_NAME~", "=");
    
13. PAGE_NAME = SCAN(SCAN(A, 1, "="), 1, "|");
    
14. A =SCAN(A, 2, "=");
    
15. run;

复制代码

最近超爱正则表达式，供参考~

1. data test;
   
2. infile "D:\Sample_Web_Log.txt" lrecl=1000 truncover;
   
3. input strings $1000.;
   
4. run;
   
5. 
   
6. data test2;
   
7.         length TIME_STAMP PAGE_NAME SESSION_ID PSDO_CUST_ID DEVICE_TYPE PLATFORM $100.;
   
8.         pattern=prxparse('/.*TIME_STAMP~([\w\-]+)\|PAGE_NAME~([\w\.]+)\|.*SESSION_ID~(\w+)\|.*PSDO_CUST_ID~(\d+)\|(.*DEVICE_TYPE~(\w)\|.*PLATFORM~(\w)\|)?/o');
   
9.         set test;
   
10.         s=prxmatch(pattern,strings);
    
11.         TIME_STAMP=prxposn(pattern,1,strings);
    
12.         PAGE_NAME=prxposn(pattern,2,strings);
    
13.         SESSION_ID=prxposn(pattern,3,strings);
    
14.         PSDO_CUST_ID=prxposn(pattern,4,strings);
    
15.         DEVICE_TYPE=prxposn(pattern,6,strings);
    
16.         PLATFORM=prxposn(pattern,7,strings);
    
17. run;

复制代码

木叶知秋 发表于 2015-11-14 18:37
最近超爱正则表达式，供参考~

亲 分享一下正则表达式的一些资料哈~~~ 多谢

取自论坛 还于论坛~
正则表达式.rar (459.64 KB) 本附件包括：

• 正则表达式2.pdf
• 速查表.pdf
• 正则表达式.pdf

2015-11-15 13:18:52 上传

木叶知秋 发表于 2015-11-14 18:37
最近超爱正则表达式，供参考~

亲，我今天查了很多正则表达式资料，确实感觉此方法很强大啊，对你写给我的代码也认识了一些，不过有些地方还是不太怎么明白，还希望指导一下：
比如：prxparse('/.*TIME_STAMP~([\w\-]+)\|PAGE_NAME~([\w\.]+)\|.*SESSION_ID~(\w+)\|.*PSDO_CUST_ID~(\d+)\|(.*DEVICE_TYPE~(\w)\|.*PLATFORM~(\w)\|)?/o')
其中括号中/.../表示定义了一个正则表达式，.*表示匹配除换行符以外的一个或者多个任意字符，实际上就是代表了TIME_STAMP以前所有的字符串；([\w\-]+)匹配了多个\w\-格式的东西，就是把TIME_STAMP这个变量的相应取值替代了；接下来的\|实际上就表示得到了分界符|（不知道这儿理解对不对？）；后面几个同理，不过最后的(.*DEVICE_TYPE~(\w)\|.*PLATFORM~(\w)\|)?没看明白，第一个疑惑就是为什么要把这两个变量括起来？第二个疑惑是最后的？能具体解释一下什么意思么？ 在此先谢过了。。。

旧城少世 发表于 2015-11-16 00:06
亲，我今天查了很多正则表达式资料，确实感觉此方法很强大啊，对你写给我的代码也认识了一些，不过有些地 ...

因为有些数据行包括这两个字段有些不包括，故用括号括起来加？，？表示括号中的出现0或者1次

木叶知秋 发表于 2015-11-16 10:41
因为有些数据行包括这两个字段有些不包括，故用括号括起来加？，？表示括号中的出现0或者1次

嗯，还有个问题，\|是表示引入了一个|符号对吧？ DEVICE_TYPE=prxposn(pattern,6,strings);
        PLATFORM=prxposn(pattern,7,strings);为什么是从6开始的，不应该匹配的组有6个，DEVICE_TYPE应该从第五个来查么？

旧城少世 发表于 2015-11-16 11:29
嗯，还有个问题，\|是表示引入了一个|符号对吧？ DEVICE_TYPE=prxposn(pattern,6,strings);
        PLA ...

1、因为|在正则表达式有特殊含义，因此用\|表示|
2、因为刚刚那个问题增加了（）？，多了一个匹配组，这个匹配组为第5个匹配组