Python學習記錄——12.文件處理

1.文件處理

讀寫文件是最常見的IO操作。Python內置了讀寫文件的函數，用法和C是兼容的。

讀寫文件前，先必須瞭解一下，在磁盤上讀寫文件的功能都是由操作系統提供的，現代操作系統不允許普通的程序直接操作磁盤，所以，讀寫文件就是請求操作系統打開一個文件對象（通常稱爲文件描述符），然後，通過操作系統提供的接口從這個文件對象中讀取數據（讀文件），或者把數據寫入這個文件對象（寫文件）。

讀文件

要以讀文件的模式打開一個文件對象，使用Python內置的open()函數，傳入文件名和標示符：

>>> f = open('/Users/michael/test.txt', 'r')

標示符’r’表示讀，這樣，我們就成功地打開了一個文件。

如果文件不存在，open()函數就會拋出一個IOError的錯誤，並且給出錯誤碼和詳細的信息告訴你文件不存在：

>>> f=open('/Users/michael/notfound.txt', 'r')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
FileNotFoundError: [Errno 2] No such file or directory: '/Users/michael/notfound.txt'

如果文件打開成功，接下來，調用read()方法可以一次讀取文件的全部內容，Python把內容讀到內存，用一個str對象表示：

>>> f.read()
'Hello, world!'

最後一步是調用close()方法關閉文件。文件使用完畢後必須關閉，因爲文件對象會佔用操作系統的資源，並且操作系統同一時間能打開的文件數量也是有限的：

>>> f.close()

由於文件讀寫時都有可能產生IOError，一旦出錯，後面的f.close()就不會調用。所以，爲了保證無論是否出錯都能正確地關閉文件，我們可以使用try ... finally來實現：

try:
    f = open('/path/to/file', 'r')
    print(f.read())
finally:
    if f:
        f.close()

但是每次都這麼寫實在太繁瑣，所以，Python引入了with語句來自動幫我們調用close()方法：

with open('/path/to/file', 'r') as f:
    print(f.read())

這和前面的try ... finally是一樣的，但是代碼更佳簡潔，並且不必調用f.close()方法。

調用read()會一次性讀取文件的全部內容，如果文件有10G，內存就爆了，所以，要保險起見，可以反覆調用read(size)方法，每次最多讀取size個字節的內容。另外，調用readline()可以每次讀取一行內容，調用readlines()一次讀取所有內容並按行返回list。因此，要根據需要決定怎麼調用。

如果文件很小，read()一次性讀取最方便；如果不能確定文件大小，反覆調用read(size)比較保險；如果是配置文件，調用readlines()最方便：

for line in f.readlines():
    print(line.strip()) # 把末尾的'\n'刪掉

file-like Object

像open()函數返回的這種有個read()方法的對象，在Python中統稱爲file-like Object。除了file外，還可以是內存的字節流，網絡流，自定義流等等。file-like Object不要求從特定類繼承，只要寫個read()方法就行。

StringIO就是在內存中創建的file-like Object，常用作臨時緩衝。

二進制文件

前面講的默認都是讀取文本文件，並且是UTF-8編碼的文本文件。要讀取二進制文件，比如圖片、視頻等等，用'rb'模式打開文件即可：

>>> f = open('/Users/michael/test.jpg', 'rb')
>>> f.read()
b'\xff\xd8\xff\xe1\x00\x18Exif\x00\x00...' # 十六進制表示的字節

字符編碼

要讀取非UTF-8編碼的文本文件，需要給open()函數傳入encoding參數，例如，讀取GBK編碼的文件：

>>> f = open('/Users/michael/gbk.txt', 'r', encoding='gbk')
>>> f.read()
'測試'

遇到有些編碼不規範的文件，你可能會遇到UnicodeDecodeError，因爲在文本文件中可能夾雜了一些非法編碼的字符。遇到這種情況，open()函數還接收一個errors參數，表示如果遇到編碼錯誤後如何處理。最簡單的方式是直接忽略：

>>> f = open('/Users/michael/gbk.txt', 'r', encoding='gbk', errors='ignore')

寫文件

寫文件和讀文件是一樣的，唯一區別是調用open()函數時，傳入標識符'w'或者'wb'表示寫文本文件或寫二進制文件：

>>> f = open('/Users/michael/test.txt', 'w')
>>> f.write('Hello, world!')
>>> f.close()

你可以反覆調用write()來寫入文件，但是務必要調用f.close()來關閉文件。當我們寫文件時，操作系統往往不會立刻把數據寫入磁盤，而是放到內存緩存起來，空閒的時候再慢慢寫入。只有調用close()方法時，操作系統才保證把沒有寫入的數據全部寫入磁盤。忘記調用close()的後果是數據可能只寫了一部分到磁盤，剩下的丟失了。所以，還是用with語句來得保險：

with open('/Users/michael/test.txt', 'w') as f:
    f.write('Hello, world!')

要寫入特定編碼的文本文件，請給open()函數傳入encoding參數，將字符串自動轉換成指定編碼。

細心的人會發現，以'w'模式寫入文件時，如果文件已存在，會直接覆蓋（相當於刪掉後新寫入一個文件）。如果我們希望追加到文件末尾怎麼辦？可以傳入'a'以追加（append）模式寫入。

2.文件處理的相關方法

file 對象使用 open 函數來創建，下表列出了 file 對象常用的函數：

序號	方法及描述
1	file.close()關閉文件。關閉後文件不能再進行讀寫操作。
2	file.flush()刷新文件內部緩衝，直接把內部緩衝區的數據立刻寫入文件, 而不是被動的等待輸出緩衝區寫入。
3	file.fileno()返回一個整型的文件描述符(file descriptor FD 整型), 可以用在如os模塊的read方法等一些底層操作上。
4	file.isatty()如果文件連接到一個終端設備返回 True，否則返回 False。
5	file.next()返回文件下一行。
6	[file.read(size])從文件讀取指定的字節數，如果未給定或爲負則讀取所有。
7	[file.readline(size])讀取整行，包括 “\n” 字符。
8	[file.readlines(sizehint])讀取所有行並返回列表，若給定sizeint>0，返回總和大約爲sizeint字節的行, 實際讀取值可能比sizeint較大, 因爲需要填充緩衝區。
9	[file.seek(offset, whence])設置文件當前位置
10	file.tell()返回文件當前位置。
11	[file.truncate(size])截取文件，截取的字節通過size指定，默認爲當前文件位置。
12	file.write(str)將字符串寫入文件，返回的是寫入的字符。
13	file.writelines(sequence)向文件寫入一個序列字符串列表，如果需要換行則要自己加入每行的換行符。

3.文件的存儲模塊

pickle模塊

在程序運行的過程中，所有的變量都是在內存中，比如，定義一個dict：

d = dict(name='Bob', age=20, score=88)

可以隨時修改變量，比如把name改成'Bill'，但是一旦程序結束，變量所佔用的內存就被操作系統全部回收。如果沒有把修改後的'Bill'存儲到磁盤上，下次重新運行程序，變量又被初始化爲'Bob'。

我們把變量從內存中變成可存儲或傳輸的過程稱之爲序列化，在Python中叫pickling，在其他語言中也被稱之爲serialization，marshalling，flattening等等，都是一個意思。

序列化之後，就可以把序列化後的內容寫入磁盤，或者通過網絡傳輸到別的機器上。

反過來，把變量內容從序列化的對象重新讀到內存裏稱之爲反序列化，即unpickling。

Python提供了pickle模塊來實現序列化。

首先，我們嘗試把一個對象序列化並寫入文件：

>>> import pickle
>>> d = dict(name='Bob', age=20, score=88)
>>> pickle.dumps(d)
b'\x80\x03}q\x00(X\x03\x00\x00\x00ageq\x01K\x14X\x05\x00\x00\x00scoreq\x02KXX\x04\x00\x00\x00nameq\x03X\x03\x00\x00\x00Bobq\x04u.'

pickle.dumps()方法把任意對象序列化成一個bytes，然後，就可以把這個bytes寫入文件。或者用另一個方法pickle.dump()直接把對象序列化後寫入一個file-like Object：

>>> f = open('dump.txt', 'wb')
>>> pickle.dump(d, f)
>>> f.close()

看看寫入的dump.txt文件，一堆亂七八糟的內容，這些都是Python保存的對象內部信息。

當我們要把對象從磁盤讀到內存時，可以先把內容讀到一個bytes，然後用pickle.loads()方法反序列化出對象，也可以直接用pickle.load()方法從一個file-like Object中直接反序列化出對象。我們打開另一個Python命令行來反序列化剛纔保存的對象：

>>> f = open('dump.txt', 'rb')
>>> d = pickle.load(f)
>>> f.close()
>>> d
{'age': 20, 'score': 88, 'name': 'Bob'}

變量的內容又回來了！

當然，這個變量和原來的變量是完全不相干的對象，它們只是內容相同而已。

Pickle的問題和所有其他編程語言特有的序列化問題一樣，就是它只能用於Python，並且可能不同版本的Python彼此都不兼容，因此，只能用Pickle保存那些不重要的數據，不能成功地反序列化也沒關係。

marshal模塊

Python的marshal模塊，顧名思義也是負責在Python數值與二進制字節對象之間進行轉換的。但是，marshal模塊僅供Python解析器內部用作對象的序列化，不推薦開發人員使用該模塊處理Python對象的序列化和反序列化。

marshal模塊不是通用的序列化/反序列化模塊，而是以讀寫.pyc文件中的Python代碼爲目的設計的。marshal模塊提供的函數可以讀寫二進制對象爲Python數值。這裏的二進制對象是Python字節定義的獨特二進制格式，與所在機器的體系結構無關。

load(file)，從文件讀取Python數值並返回該值loads(bytes)，將讀入的字節對象轉換爲Python數值
dump(value, file[, version])，將Python數值寫入到文件
dumps(value[, version])，將讀入的Python數值轉換爲一個字節對象
version，當前marshal模塊使用的二進制格式的版本
事實上，要序列化或反序列化Python對象，建議使用pickle模塊。如在RPC調用中對Python對象進行遠程傳輸，則使用pickle模塊。

如果要對Python對象進行持久化，則使用shelve模塊。

4.JSON

JSON

如果我們要在不同的編程語言之間傳遞對象，就必須把對象序列化爲標準格式，比如XML，但更好的方法是序列化爲JSON，因爲JSON表示出來就是一個字符串，可以被所有語言讀取，也可以方便地存儲到磁盤或者通過網絡傳輸。JSON不僅是標準格式，並且比XML更快，而且可以直接在Web頁面中讀取，非常方便。

JSON表示的對象就是標準的JavaScript語言的對象，JSON和Python內置的數據類型對應如下：

JSON類型	Python類型
{}	dict
[]	list
“string”	str
1234.56	int或float
true/false	True/False
null	None

Python內置的json模塊提供了非常完善的Python對象到JSON格式的轉換。我們先看看如何把Python對象變成一個JSON：

>>> import json
>>> d = dict(name='Bob', age=20, score=88)
>>> json.dumps(d)
'{"age": 20, "score": 88, "name": "Bob"}'

dumps()方法返回一個str，內容就是標準的JSON。類似的，dump()方法可以直接把JSON寫入一個file-like Object。

要把JSON反序列化爲Python對象，用loads()或者對應的load()方法，前者把JSON的字符串反序列化，後者從file-like Object中讀取字符串並反序列化：

>>> json_str = '{"age": 20, "score": 88, "name": "Bob"}'
>>> json.loads(json_str)
{'age': 20, 'score': 88, 'name': 'Bob'}

由於JSON標準規定JSON編碼是UTF-8，所以我們總是能正確地在Python的str與JSON的字符串之間轉換。

JSON進階

Python的dict對象可以直接序列化爲JSON的{}，不過，很多時候，我們更喜歡用class表示對象，比如定義Student類，然後序列化：

import json

class Student(object):
    def __init__(self, name, age, score):
        self.name = name
        self.age = age
        self.score = score

s = Student('Bob', 20, 88)
print(json.dumps(s))

運行代碼，毫不留情地得到一個TypeError：

Traceback (most recent call last):
  ...
TypeError: <__main__.Student object at 0x10603cc50> is not JSON serializable

錯誤的原因是Student對象不是一個可序列化爲JSON的對象。

如果連class的實例對象都無法序列化爲JSON，這肯定不合理！

別急，仔細看看dumps()方法的參數列表，可以發現，除了第一個必須的obj參數外，dumps()方法還提供了一大堆的可選參數：

https://docs.python.org/3/library/json.html#json.dumps

這些可選參數就是讓我們來定製JSON序列化。前面的代碼之所以無法把Student類實例序列化爲JSON，是因爲默認情況下，dumps()方法不知道如何將Student實例變爲一個JSON的{}對象。

可選參數default就是把任意一個對象變成一個可序列爲JSON的對象，我們只需要爲Student專門寫一個轉換函數，再把函數傳進去即可：

def student2dict(std):
    return {
        'name': std.name,
        'age': std.age,
        'score': std.score
    }

這樣，Student實例首先被student2dict()函數轉換成dict，然後再被順利序列化爲JSON：

>>> print(json.dumps(s, default=student2dict))
{"age": 20, "name": "Bob", "score": 88}

不過，下次如果遇到一個Teacher類的實例，照樣無法序列化爲JSON。我們可以偷個懶，把任意class的實例變爲dict：

print(json.dumps(s, default=lambda obj: obj.__dict__))

因爲通常class的實例都有一個__dict__屬性，它就是一個dict，用來存儲實例變量。也有少數例外，比如定義了__slots__的class。

同樣的道理，如果我們要把JSON反序列化爲一個Student對象實例，loads()方法首先轉換出一個dict對象，然後，我們傳入的object_hook函數負責把dict轉換爲Student實例：

def dict2student(d):
    return Student(d['name'], d['age'], d['score'])

運行結果如下：

>>> json_str = '{"age": 20, "score": 88, "name": "Bob"}'
>>> print(json.loads(json_str, object_hook=dict2student))
<__main__.Student object at 0x10cd3c190>

打印出的是反序列化的Student實例對象。

Python學習記錄——12.文件處理

1.文件處理

2.文件處理的相關方法

3.文件的存儲模塊

4.JSON

工作中用到的腳本合集

24-5-18 X

Python爬蟲學習記錄——9.爬蟲工程化及Scrapy框架初窺

Python爬蟲學習記錄——11.Scrapy選擇器的用法

Python爬蟲學習記錄——10.Scrapy安裝及基本使用

Python爬蟲學習記錄——8.使用自動化神器Selenium爬取動態網頁

Python爬蟲學習記錄——5.使用pandas保存豆瓣短評數據

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結