4. 仪器数据格式解析
仪器数据接入的第一道硬仗，往往不是网络连通，而是“文件读不懂”。同一台液相色谱可能导出 CSV，同一台酶标仪可能导出 Excel，而某些老式原子吸收仪只肯吐出定宽 TXT 或专有二进制。解析策略的核心不是写一个万能解析器，而是先识别格式族，再针对该族的“结构锚点”设计读取路径，最后把仪器字段稳定映射到 LIMS 的样品、检测项目、结果、单位、时间等标准字段上。
一、按格式族选择解析策略
CSV 与 TXT 属于“分隔/定宽文本族”。CSV 的关键是分隔符、引号转义和表头行位置；TXT 则要区分制表符分隔、空格对齐还是固定列宽。例如某生化分析仪导出的 TXT 前 3 行是仪器状态，第 4 行才是列名，第 5 行起为数据。解析时应先按行扫描，定位包含“SampleID”“Result”等关键词的行作为表头锚点，再向下读取数据，而不是硬编码从第 1 行开始。
Excel 属于“工作簿族”，一个文件可能含多个 Sheet，且存在合并单元格、多级表头、公式结果与显示值不一致等问题。解析时优先读取单元格的“值”而非“公式”，并显式指定 Sheet 名或按索引定位。若表头跨两行，可先读取前两行做列名拼接，例如“检测项目”+“结果”合并为“检测项目_结果”。
XML 与 JSON 属于“结构化树族”。XML 依赖标签路径，JSON 依赖键路径。解析策略是先用 XPath 或 JSONPath 定位到结果数组，再逐节点提取。例如 XML 中 /Report/Sample/Test/Result 对应一个结果值；JSON 中 $.samples[*].tests[*].value 对应结果数组。这类格式通常自带字段名，映射难度较低，但要注意命名空间和数组嵌套深度。
PDF 属于“版面还原族”，解析难度最高。若 PDF 由文本层生成，可用坐标定位提取；若为扫描件，则需 OCR。实际工程中，PDF 解析应优先确认是否含文本层，再决定是否走 OCR 路径。专有二进制则属于“协议逆向族”，通常需要厂商提供 DLL、文档或抓包分析，解析时按字节偏移和数据类型（如 int16、float32）逐段读取，并做字节序校验。
二、编码问题：先探测，再转码，最后校验
编码是文本解析中最隐蔽的坑。UTF-8 带 BOM 的文件，第一个字段名可能变成“\ufeffSampleID”，导致映射失败；GBK 文件若按 UTF-8 读取，中文项目名会变成乱码。工程做法是：先读取前 4 个字节判断 BOM，再按候选编码（UTF-8、GBK、Latin-1）尝试解码，选择“解码后无替换字符且中文可读”的编码。对于 CSV，还要处理引号内换行：不能简单按行 split，而应使用支持引号转义的解析器，或先按引号状态机扫描。
Excel 的日期字段常以序列号存储，例如 45123 表示 2023-07-15。解析时需判断单元格格式，若为日期格式则转换为 ISO 8601 字符串。PDF 若含文本层，提取出的文字可能因字体映射出现“缺字”，此时应保留原始坐标和字体信息，必要时回退到 OCR。专有二进制则要先确认字节序：小端模式下 float32 的 0x00 0x00 0x80 0x3F 对应 1.0，大端则完全不同。
三、字段映射：从仪器字段到 LIMS 标准字段
字段映射不是简单改名，而是建立“仪器字段 → 中间记录 → LIMS 标准字段”的三段式映射。中间记录的作用是隔离仪器差异，让后续入库逻辑统一。映射表应包含：仪器字段名、示例值、目标字段、转换规则、是否必填、异常处理。例如仪器字段“Sample”映射到“样品编号”，规则为去除前后空格并转大写；仪器字段“Conc.”映射到“结果值”，规则为提取数字并保留 4 位有效数字；仪器字段“Unit”映射到“单位”，规则为统一为“mg/L”“%”等标准单位。
对于 XML/JSON，映射可直接用路径表达式配置，例如 $.sample.id → 样品编号。对于 CSV/TXT，映射依赖列索引或表头名，建议优先用表头名，列索引作为兜底。对于 PDF，映射需结合坐标区域，例如“结果”列位于 x=300~400 区间，则按坐标截取。对于专有二进制，映射需按字节偏移定义，例如偏移 0x20 起 4 字节为结果值 float32。
四、异常处理与可追溯性
解析过程中必须保留原始行号和解析状态。遇到无法解析的行，不要直接丢弃，而是写入“解析异常表”，记录文件名、行号、原始内容、错误类型（编码错误、字段缺失、类型转换失败）。这样在 LIMS 中可追溯每一条结果的来源，也便于仪器工程师回查。对于批量文件，建议按“文件级 → 行级”两级状态管理：文件级标记“已解析/部分失败/失败”，行级标记“成功/跳过/错误”。
最后，解析结果在入库前应做一次“字段完整性校验”：样品编号非空、检测项目在 LIMS 项目字典中存在、结果值可转为数值、单位在允许单位列表中。校验不通过的行进入待处理队列，由人工确认后再入库。这样既保证自动化效率，又避免脏数据污染 LIMS。