本文介绍如何在不使用 csv 或其他第三方模块的前提下，纯 Python 原生读取 CSV 文件，将首行作为键、后续每行作为值，逐行生成结构清晰的字典，并给出健壮、可复用的实现方案。
本文介绍如何在不使用 csv 或其他第三方模块的前提下，纯 Python 原生读取 CSV 文件，将首行作为键、后续每行作为值，逐行生成结构清晰的字典，并给出健壮、可复用的实现方案。
在实际开发中，有时受限于环境（如嵌入式系统、沙箱环境）或教学需求，我们无法使用 csv 模块，但仍需可靠地将 CSV 数据转为结构化字典。核心思路是：分离表头与数据行 → 逐行切分字段 → 键值对映射 → 构造字典。下面是一个简洁、高效且符合 Python 最佳实践的实现：
with open("data.csv", "r", encoding="utf-8") as f:
# 读取并解析表头（第一行）
headers = [h.strip() for h in next(f).strip().split(",")]
# 逐行处理数据行
for line in f:
if not line.strip(): # 跳过空行
continue
values = [v.strip() for v in line.strip().split(",")]
# 确保字段数量匹配（防御性编程）
if len(values) != len(headers):
print(f"警告：跳过不匹配行（期望 {len(headers)} 列，实际 {len(values)} 列）→ {line.strip()}")
continue
# 使用 zip 构建键值对，转为字典
row_dict = dict(zip(headers, values))
print(row_dict)✅ 输出示例（对应输入 data.csv）：
columnA,columnB cell1,cell2 cell3,cell4
运行后将打印：
Miller CSV TSV JSON 数据处理器
下载
Miller (mlr) 是一个命令行工具，用于查询、整形和重新格式化名称索引数据，如 CSV、TSV、JSON 和 JSON Lines。它将 awk、sed、cut、join 和 sort 的功能整合到一个专为结构化数据处理而构建的单一工具中。
{'columnA': 'cell1', 'columnB': 'cell2'}
{'columnA': 'cell3', 'columnB': 'cell4'}? 关键要点说明：
- next(f) 安全消费首行，避免将其误作数据；
- strip() 清除换行符和首尾空格，防止 "Column A " 类键名污染；
- 使用列表推导式统一清洗 headers 和 values，提升健壮性；
- 显式检查列数一致性，避免因格式错误导致静默异常或字典错位；
- 若需收集所有字典而非仅打印，可初始化 result = [] 并在循环内 result.append(row_dict)。
⚠️ 注意事项：
- 该方法不支持含逗号的字段内容（如 "Smith, John","25"），因未实现 CSV 转义解析；若需处理复杂 CSV，请改用标准 csv 模块；
- 中文字段或特殊字符请务必指定 encoding="utf-8"，避免 UnicodeDecodeError；
- 对超大文件，此方式内存友好（流式读取，无全量加载）。
掌握这一原生解析模式，不仅适用于教学与轻量脚本，更能加深对 Python 迭代器、序列操作与字典构造机制的理解——是进阶数据处理的重要基础能力。
