Python csv模块需结合容错配置与预处理应对脏数据：用strict=False跳过错误、Sniffer预判格式、正则修复引号、DictReader兜底字段、pandas作为终极方案。
Python 的 csv 模块本身不自动修复字段数不一致或引号不匹配的“脏数据”，但通过合理配置和轻量预处理，可以优雅应对——关键在于不硬刚错误，而是用容错机制+语义补救。
用 error_handling 参数跳过或记录异常行
标准 csv.reader 遇到引号未闭合或字段数突变时默认抛 csv.Error。改用 quoting=csv.QUOTE_MINIMAL + strict=False（Python 3.12+）可跳过格式错误行；旧版本则建议包裹读取逻辑并捕获异常：
- 对每行做
try/except csv.Error，记录行号和原始内容，继续下一行 - 用
csv.Sniffer().has_header()预判分隔符和引号风格，避免硬编码参数错配 - 示例：遇到
"name,age,"这类尾部多余逗号，skipinitialspace=True可忽略空字段前导空格，减少误判
预清洗引号：用正则修复常见引号失配
很多乱引号源于手动编辑（如 Excel 保存、复制粘贴），表现为偶数引号缺失、嵌套双引号未转义等。可在读入前轻量修正：
- 用
re.sub(r'([^",])"([^",])', r'\1""\2', line)将孤立双引号补成两个（模拟 Excel 转义） - 对明显缺结尾引号的行（如以奇数个
"开头且不含","），追加一个"再解析（需结合业务判断是否安全） - 避免全局替换：只处理疑似问题行（如含奇数引号、字段数明显偏离均值），防止误伤合法文本
动态适配字段数：用 DictReader + 默认值兜底
当列数波动但表头稳定时，csv.DictReader 比 reader 更友好：
- 设置
restkey='extra'捕获多余字段，restval=None填充缺失字段，避免dict键缺失报错 - 配合
fieldnames显式声明预期列名，即使某行少两列，也能返回完整字典（缺失键值为None） - 后续用
row.get('age', 0)或 Pydantic 模型做类型/存在性校验，把数据清洗逻辑和业务逻辑解耦
终极方案：换用 pandas.read_csv 处理顽固脏数据
若 CSV 来源不可控（如用户上传、老旧系统导出），pandas 的容错能力更成熟：
-
on_bad_lines='skip'或'warn'直接跳过或警告异常行 -
quoting=csv.QUOTE_ALL强制所有字段加引号，再配合engine='python'提升引号解析鲁棒性 - 用
dtype=str先全读为字符串，再用.str.split(',', n=max_cols-1, expand=True)手动切分，彻底绕过引号解析
