使用Python对各种文件操作

操作"/>

使用Python对各种文件操作

常见的数据文件类型如下：
txt
csv
excel(xls\xlsx)
在线网页数据
pdf\word
其他数据软件格式

1 txt文件

文件读取

# 文件input
file_txt = os.path.join(workdir,'Data/demo_text.txt')# 打开文件
f = open(file_txt, encoding='utf-8')# 将每行的文本读取，并存为列表
# 此处使用.rstrip()去除空格、换行符
lines_raw = [x.rstrip() for x in f]
# 或者
# lines_raw = [l.rstrip() for l in f.readlines()]print(lines_raw)# 关闭文件
f.close()如果你依然在编程的世界里迷茫，
不知道自己的未来规划，
对python感兴趣，
这里推荐一下我的学习交流圈QQ群：895 797 751，
里面都是学习python的，

输出如下：

也可以用pandas来读取

df_txt = pd.read_csv(file_txt, names=['txt'], encoding='utf-8')
df_txt.head()

文件输出

# 文件output
file_out = os.path.join(workdir,'Data/out_text.txt')f_out = open(file_out, encoding='utf-8',mode = 'w')f_out.writelines(lines_raw)
f_out.close()

2 csv文件

更多参考：.read_csv.html#pandas.read_csv
csv文件的读入和写出相对简单，直接调用pandas的函数即可。

# 定义文件路径
file_csv = os.path.join(workdir,'Data/demo_csv.csv')# pandas.read_csv()函数来读取文件
df_csv = pd.read_csv(file_csv,sep=',',encoding='utf-8')# dataframe.to_csv()保存csv文件
df_csv.to_csv('out_csv.csv',index=False,encoding='utf-8')# 查看dataframe前3行
df_csv.head(3)

也可以把csv当做文本文件来读取，不过处理过程稍微复杂点，尤其是字段内的取值中含有分隔符(比如逗号)时，例如上面的name字段。

3 excel(xls\xlsx)文件

pandas工具包中也提供了相应的函数来读写excel文件(pandas.read_excel()和dataframe.to_excel())。
更多参考：.read_excel.html#pandas.read_excel
不同于csv文件，xlsx文件中会有多个sheet，pandas.read_excel函数默认读取第一个sheet.

# 定义文件路径
file_excel = os.path.join(workdir,'Data/demo_xlsx.xlsx')# pandas.read_excel()函数来读取文件
# sheet_name=0表示读取第一个sheet，也可以指定要读取的sheet的名称(字符串格式)
# header=0 表示使用第一行作为表头(列名)
# 如果数据中没有列名(表头)，可以设置header=None,同时names参数来指定list格式的列名
df_excel = pd.read_excel(file_excel,sheet_name=0,header=0,encoding='utf-8')# dataframe.to_csv()保存csv文件
df_excel.to_excel('out_excel.xlsx',index=False,encoding='utf-8')# 查看dataframe前3行
df_excel.head(3)

如果我们是想在单元格颗粒度上进行操作，可以考虑两个工具包：
xlwings, /
openpyxl, /

这里用xlwings示范自动化“填表”，比如现在有3个项目对应的3个单元格需要填写。

import xlwings as xwfile_excel = os.path.join(workdir,'Data/demo_填表.xlsx')# 打开excel文件的时候不要展示页面
app = xw.App(visible=False)# 打开工作簿
wb = xw.Book(file_excel)# 打开工作表
# 可以用index，可以指定sheet的名称
ws = wb.sheets[0]# 读取对应单元格的值
print(ws.range('A1').value)ws.range('B1').value = 'Ahong'
ws.range('B2').value  = '男'
ws.range('B3').value  = 'Pyhon'# 保存工作簿
wb.save() 
# 也可以保存为新的文件名，e.g.wb.save('new.xlsx')# 关闭工作簿
wb.close()

如果要批量从多个统一格式的excel文件中读取多个单元格或者写入数据，不妨考虑此方法。

4 在线网页数据

在线网页数据通常需要网络爬虫来抓取，同时网页是半结构化的数据，需要整理为结构化的数据。
注：关于网络爬虫可以参考O’REILLY的书Web Scraping with Python: Collecting More Data from the Modern Web).
网页数据的爬取和解析常会用到的工具包：
requests, //zh_CN/latest/user/quickstart.html
BeautifulSoup, .html
lxml, /, 笔者最喜欢用的工具包之一
re, .html，正则化是数据清洗中必学的技能之一，更多参考.html
json, .html, 处理json格式数据
pandas, .html，将数据保存为dataframe

• 通常网络爬虫的步骤如下：

分析网页请求规范，比如是get还是post，请求的url是啥，返回的数据是什么格式(json?静态html?)，header参数，url或者post中的变量有什么等；
获取网页数据，使用requests包；
解析网页数据(将半结构化的网页数据转化为结构化数据)，BeautifulSoup、lxml、re、json齐上阵；
整合数据并存档，使用pandas对数据进行整合并初步清洗。

5 PDF\Word

5.1 读取PDF文件

对于pdf文件而言，如果要对文档操作(比如合并、筛选、删除页面等)，建议使用的工具包：
PyPDF2, /
pdfrw,
更多参考：/

处理pdf文件时，要注意文件需要是“已解密”或者“无密码”状态，“加密”状态的文件处理时会报错。
pdf解密工具推荐：
/

这里举例说明PyPDF2的用法，筛选奇数页面并保存为新文档。

import PyPDF2# 读入文件路径
file_in = os.path.join(workdir,'Data/demo_pdf.pdf')
# 打开要读取的pdf文件
f_in = open(file_in,'rb') # 读取pdf文档信息
pdfReader = PyPDF2.PdfFileReader(f_in)# pdf文件页面数
page_cnt = pdfReader.getNumPages()pdfWriter = PyPDF2.PdfFileWriter()# 筛选奇数页面
for page_idx in range(0,page_cnt,2):page = pdfReader.getPage(page_idx)pdfWriter.addPage(page)# 输出文档
file_out = open('pdf_out.pdf', 'wb')
pdfWriter.write(file_out)# 关闭输出的文件
file_out.close()# 关闭读入的文件
pdf_file.close()

如果要解析pdf文件的页面数据(文件上都写了啥)，推荐的工具包为：

textract, /,该工具包支持多种格式文件的数据提取
pdfminer.six, .six，使用方法同pdfminer是一样的。pdfminer的使用方法参考/

安装好pdfminer.six后，直接在命令行中调用如下命令即可：

pdf2txt.py demo_pdf.pdf -o demo_pdf.txt
或者参考(文末附有该函数)。
textract使用示例如下

import textract# 文件路径
file_pdf = os.path.join(workdir,'Data/demo_pdf.pdf')# 提取文本
text_raw = textract.process(file_pdf)
# 转码
text = text_raw.decode('utf-8')

5.2 读取Word文件

可以使用工具包python-docx,/
操作word的场景相对少见，参考网站的示例即可。

6 其他数据软件文件

比如SAS, SPSS,Stata等分析软件导出的数据格式。
可以使用的工具包pyreadstat,

# 使用Python读取.sav文件
# 
import pyreadstat# 文件路径
file_data = os.path.join(workdir,'Data/demo_sav.sav')# 读取文件
df,meta = pyreadstat.read_sav(file_data)
# df就是转化后的数据框# 查看编码格式
print(meta.file_encoding)df.head()如果你依然在编程的世界里迷茫，
不知道自己的未来规划，
对python感兴趣，
这里推荐一下我的学习交流圈QQ群：895 797 751，
里面都是学习python的，