Python基础 | 数据文件的读写

本文总结使用Python对常见的数据文件进行读写操作。

• 本文所用的示例数据下载，提取码: sjgz
• pandas官网的数据I/O部分是很好的学习材料

txt

关于一般文件读写的更多参考

txt的读入

## 文件读取

# 文件路径
file_in = os.path.join(workdir,'Datahttps://img.qb5200.com/download-x/demo_text.txt')

# 打开文件
f_in = open(file_in, encoding='utf-8')

# 将每行的文本读取，并存为列表
# 此处使用.rstrip()去除右侧的空格、换行符等
lines_raw = [x.rstrip() for x in f_in]
# 或者
# lines_raw = [l.rstrip() for l in f.readlines()]

print(lines_raw)

# 关闭文件
f_in.close()

如果txt内部存储的是表格(dataframe)格式的数据，那么可以直接用pandas.read_csv来读取。

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

txt的写出

# 文件输出
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()

上面的列子是一次写入所有行。
也可以使用.writeline方法一行一行写入，比如写log日志。

# 程序执行的日志
file_log = os.path.join(workdir,'Data/run_log.txt')

f_log = open(file_log, encoding='utf-8',mode = 'w')

for i in range(5):
    line = 'this is %d run \n'%i
    f_log.write(line)

f_log.close()

csv

csv即逗号分隔的文件，可以使用的包

• pd.read_csv
• csv

pandas在数据分析中最常用，功能也很强大，这里只示范pandas的用法

# 定义文件路径
file_csv = os.path.join(workdir,'Datahttps://img.qb5200.com/download-x/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
# 保存文件的时候一定要注意encoding
df_csv.to_csv('out_csv',index=False,encoding='utf-8')

也可以用来读取在线的文件，文件的后缀可能是txt、data之类的，不过没关系，只要里面存的是表格(dataframe)格式的数据，就可以用pandas.read_csv来读取。

#此处使用UCI机器学习用的数据
url_data = 'https://archive.ics.uci.edu/ml/machine-learning-databases/adult/adult.data'
# 字段描述见https://archive.ics.uci.edu/ml/machine-learning-databases/adult/adult.names
df_adult = pd.read_csv(url_data, sep=',', names = col_names,index_col=None)

xls\xlsx

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
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,'Datahttps://img.qb5200.com/download-x/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
# 保存文件的时候一定要注意encoding
df_excel.to_excel('out_excel.xlsx',index=False,encoding='utf-8')

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。

@w=500

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，可参考如下代码。

import xlwings as xw

file_excel = os.path.join(workdir,'Datahttps://img.qb5200.com/download-x/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()

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。
关于网络爬虫可以参考如下两本书：

• Web Scraping with Python: Collecting More Data from the Modern Web, Ryan Mitchell, O’Reilly书系，中文版是Python网络爬虫权威指南
• Python 3网络爬虫开发实战，崔庆才，也可以访问作者的博客

常用的工具

网页数据的爬取和解析常会用到的工具包

• requests

• BeautifulSoup
• lxml, 解析网页中的css目录很好用
• re，正则化是数据清洗中必学的技能之一，更多参考
• json，json和html是常见的半结构化数据

• pandas，主要是对结构化的数据(dataframe)进行处理

爬虫的步骤

通常网络爬虫的步骤如下：

1. 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；
2. 获取网页数据，使用requests包；
3. 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；
4. 整合数据并存档，使用pandas对数据进行整合并初步清洗。

pdf

参考资料：

• https://automatetheboringstuff.com/chapter13/
• https://www.binpress.com/manipulate-pdf-python/

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

处理pdf文件时，要注意文件需要是“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：

• http://freemypdf.com/
• https://smallpdf.com/unlock-pdf

这里举例说明两个包的用法：筛选奇数页面并保存为新文档。

pdfrw

from pdfrw import PdfReader

pdf_r = PdfReader(os.path.join(workdir,'Datahttps://img.qb5200.com/download-x/demo_pdf.pdf'))

from pdfrw import PdfWriter
pdf_w = PdfWriter()

page_cnt = pdf_r.numPages

# 筛选奇数页面
for i in range(0,page_cnt,2):
    pdf_w.addpage(pdf_r.pages[i])
    
pdf_w.write('filtered_pages.pdf')

y.write('dd.pdf')

PyPDF2

import PyPDF2

# 读入文件路径
file_in = os.path.join(workdir,'Datahttps://img.qb5200.com/download-x/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()

提取文档信息

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，使用方法同pdfminer是一样的。pdfminer的使用方法参考这里

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stackoverflow问答可以自定义一个函数批量对pdf进行转换(文末附有该函数)。

批量提取PDF内容的代码

# ref: https://stackoverflow.com/questions/26494211/extracting-text-from-a-pdf-file-using-pdfminer-in-python

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage
from io import StringIO

def convert_pdf_to_txt(path):
    rsrcmgr = PDFResourceManager()
    retstr = StringIO()
    codec = 'utf-8'
    laparams = LAParams()
    device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
    fp = open(path, 'rb')
    interpreter = PDFPageInterpreter(rsrcmgr, device)
    password = ""
    maxpages = 0
    caching = True
    pagenos=set()

    for page in PDFPage.get_pages(fp, pagenos, maxpages=maxpages, password=password,caching=caching, check_extractable=True):
        interpreter.process_page(page)

    text = retstr.getvalue()

    fp.close()
    device.close()
    retstr.close()
    return text

textract使用示例

import textract

# 文件路径
file_pdf = os.path.join(workdir,'Datahttps://img.qb5200.com/download-x/demo_pdf.pdf')

# 提取文本
text = textract.process(file_pdf)

word文档

python-docx

其他统计软件生成文件

可以使用的工具包：

• pandas.read_sas, pandas.read_spss, pandas.read_stata
• pyreadstat，可以读取SAS,SPSS,Stata等统计软件导出的数据文件。

SPSS生成的.sav文件

# 使用Python读取.sav文件
# https://github.com/Roche/pyreadstat
import pyreadstat

# 文件路径
file_data = os.path.join(workdir,'Datahttps://img.qb5200.com/download-x/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)

pyreadstat包还可以读取sas,stat的数据文件

Function in this package	Purpose
read_sas7dat	read SAS sas7bdat files
read_xport	read SAS Xport (XPT) files
read_sas7bcat	read SAS catalog files
read_dta	read STATA dta files
read_sav	read SPSS sav and zsav files
read_por	read SPSS por files
set_catalog_to_sas	enrich sas dataframe with catalog formats
set_value_labels	replace values by their labels