0
点赞
收藏
分享

微信扫一扫

Python学习记录——12.文件处理

大明宫 2022-09-06 阅读 213


1.文件处理

读写文件是最常见的IO操作。Python内置了读写文件的函数,用法和C是兼容的。

读写文件前,先必须了解一下,在磁盘上读写文件的功能都是由操作系统提供的,现代操作系统不允许普通的程序直接操作磁盘,所以,读写文件就是请求操作系统打开一个文件对象(通常称为文件描述符),然后,通过操作系统提供的接口从这个文件对象中读取数据(读文件),或者把数据写入这个文件对象(写文件)。

读文件

要以读文件的模式打开一个文件对象,使用Python内置的​​open()​​函数,传入文件名和标示符:

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

标示符’r’表示读,这样,我们就成功地打开了一个文件。

如果文件不存在,​​open()​​​函数就会抛出一个​​IOError​​的错误,并且给出错误码和详细的信息告诉你文件不存在:

>>> 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'

如果文件打开成功,接下来,调用​​read()​​​方法可以一次读取文件的全部内容,Python把内容读到内存,用一个​​str​​对象表示:

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

最后一步是调用​​close()​​方法关闭文件。文件使用完毕后必须关闭,因为文件对象会占用操作系统的资源,并且操作系统同一时间能打开的文件数量也是有限的:

>>> f.close()

由于文件读写时都有可能产生​​IOError​​​,一旦出错,后面的​​f.close()​​​就不会调用。所以,为了保证无论是否出错都能正确地关闭文件,我们可以使用​​try ... finally​​来实现:

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

但是每次都这么写实在太繁琐,所以,Python引入了​​with​​​语句来自动帮我们调用​​close()​​方法:

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

这和前面的​​try ... finally​​​是一样的,但是代码更佳简洁,并且不必调用​​f.close()​​方法。

调用​​read()​​​会一次性读取文件的全部内容,如果文件有10G,内存就爆了,所以,要保险起见,可以反复调用​​read(size)​​​方法,每次最多读取size个字节的内容。另外,调用​​readline()​​​可以每次读取一行内容,调用​​readlines()​​​一次读取所有内容并按行返回​​list​​。因此,要根据需要决定怎么调用。

如果文件很小,​​read()​​​一次性读取最方便;如果不能确定文件大小,反复调用​​read(size)​​​比较保险;如果是配置文件,调用​​readlines()​​最方便:

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

file-like Object

像​​open()​​​函数返回的这种有个​​read()​​​方法的对象,在Python中统称为file-like Object。除了file外,还可以是内存的字节流,网络流,自定义流等等。file-like Object不要求从特定类继承,只要写个​​read()​​方法就行。

​StringIO​​就是在内存中创建的file-like Object,常用作临时缓冲。

二进制文件

前面讲的默认都是读取文本文件,并且是UTF-8编码的文本文件。要读取二进制文件,比如图片、视频等等,用​​'rb'​​模式打开文件即可:

>>> f = open('/Users/michael/test.jpg', 'rb')
>>> f.read()
b'\xff\xd8\xff\xe1\x00\x18Exif\x00\x00...' # 十六进制表示的字节

字符编码

要读取非UTF-8编码的文本文件,需要给​​open()​​​函数传入​​encoding​​参数,例如,读取GBK编码的文件:

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

遇到有些编码不规范的文件,你可能会遇到​​UnicodeDecodeError​​​,因为在文本文件中可能夹杂了一些非法编码的字符。遇到这种情况,​​open()​​​函数还接收一个​​errors​​参数,表示如果遇到编码错误后如何处理。最简单的方式是直接忽略:

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

写文件

写文件和读文件是一样的,唯一区别是调用​​open()​​​函数时,传入标识符​​'w'​​​或者​​'wb'​​表示写文本文件或写二进制文件:

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

你可以反复调用​​write()​​​来写入文件,但是务必要调用​​f.close()​​​来关闭文件。当我们写文件时,操作系统往往不会立刻把数据写入磁盘,而是放到内存缓存起来,空闲的时候再慢慢写入。只有调用​​close()​​​方法时,操作系统才保证把没有写入的数据全部写入磁盘。忘记调用​​close()​​​的后果是数据可能只写了一部分到磁盘,剩下的丢失了。所以,还是用​​with​​语句来得保险:

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

要写入特定编码的文本文件,请给​​open()​​​函数传入​​encoding​​参数,将字符串自动转换成指定编码。

细心的人会发现,以​​'w'​​​模式写入文件时,如果文件已存在,会直接覆盖(相当于删掉后新写入一个文件)。如果我们希望追加到文件末尾怎么办?可以传入​​'a'​​以追加(append)模式写入。

2.文件处理的相关方法

file 对象使用 open 函数来创建,下表列出了 file 对象常用的函数:

序号

方法及描述

1

​​file.close()​​关闭文件。关闭后文件不能再进行读写操作。

2

​​file.flush()​​刷新文件内部缓冲,直接把内部缓冲区的数据立刻写入文件, 而不是被动的等待输出缓冲区写入。

3

​​file.fileno()​​返回一个整型的文件描述符(file descriptor FD 整型), 可以用在如os模块的read方法等一些底层操作上。

4

​​file.isatty()​​如果文件连接到一个终端设备返回 True,否则返回 False。

5

​​file.next()​​返回文件下一行。

6

[file.read(​​size])​​从文件读取指定的字节数,如果未给定或为负则读取所有。

7

[file.readline(​​size])​​读取整行,包括 “\n” 字符。

8

[file.readlines(​​sizehint])​​读取所有行并返回列表,若给定sizeint>0,返回总和大约为sizeint字节的行, 实际读取值可能比sizeint较大, 因为需要填充缓冲区。

9

[file.seek(offset​​, whence])​​设置文件当前位置

10

​​file.tell()​​返回文件当前位置。

11

[file.truncate(​​size])​​截取文件,截取的字节通过size指定,默认为当前文件位置。

12

​​file.write(str)​​将字符串写入文件,返回的是写入的字符。

13

​​file.writelines(sequence)​​向文件写入一个序列字符串列表,如果需要换行则要自己加入每行的换行符。

3.文件的存储模块

  1. pickle模块

在程序运行的过程中,所有的变量都是在内存中,比如,定义一个dict:

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

可以随时修改变量,比如把​​name​​​改成​​'Bill'​​​,但是一旦程序结束,变量所占用的内存就被操作系统全部回收。如果没有把修改后的​​'Bill'​​​存储到磁盘上,下次重新运行程序,变量又被初始化为​​'Bob'​​。

我们把变量从内存中变成可存储或传输的过程称之为序列化,在Python中叫pickling,在其他语言中也被称之为serialization,marshalling,flattening等等,都是一个意思。

序列化之后,就可以把序列化后的内容写入磁盘,或者通过网络传输到别的机器上。

反过来,把变量内容从序列化的对象重新读到内存里称之为反序列化,即unpickling。

Python提供了​​pickle​​模块来实现序列化。

首先,我们尝试把一个对象序列化并写入文件:

>>> 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()​​​方法把任意对象序列化成一个​​bytes​​​,然后,就可以把这个​​bytes​​​写入文件。或者用另一个方法​​pickle.dump()​​直接把对象序列化后写入一个file-like Object:

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

看看写入的​​dump.txt​​文件,一堆乱七八糟的内容,这些都是Python保存的对象内部信息。

当我们要把对象从磁盘读到内存时,可以先把内容读到一个​​bytes​​​,然后用​​pickle.loads()​​​方法反序列化出对象,也可以直接用​​pickle.load()​​​方法从一个​​file-like Object​​中直接反序列化出对象。我们打开另一个Python命令行来反序列化刚才保存的对象:

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

变量的内容又回来了!

当然,这个变量和原来的变量是完全不相干的对象,它们只是内容相同而已。

Pickle的问题和所有其他编程语言特有的序列化问题一样,就是它只能用于Python,并且可能不同版本的Python彼此都不兼容,因此,只能用Pickle保存那些不重要的数据,不能成功地反序列化也没关系。

  1. marshal模块

Python的marshal模块,顾名思义也是负责在Python数值与二进制字节对象之间进行转换的。但是,marshal模块仅供Python解析器内部用作对象的序列化,不推荐开发人员使用该模块处理Python对象的序列化和反序列化。

marshal模块不是通用的序列化/反序列化模块,而是以读写.pyc文件中的Python代码为目的设计的。marshal模块提供的函数可以读写二进制对象为Python数值。这里的二进制对象是Python字节定义的独特二进制格式,与所在机器的体系结构无关。

  • load(file),从文件读取Python数值并返回该值loads(bytes),将读入的字节对象转换为Python数值
  • dump(value, file[, version]),将Python数值写入到文件
  • dumps(value[, version]),将读入的Python数值转换为一个字节对象
  • version,当前marshal模块使用的二进制格式的版本
  • 事实上,要序列化或反序列化Python对象,建议使用pickle模块。如在RPC调用中对Python对象进行远程传输,则使用pickle模块。

如果要对Python对象进行持久化,则使用shelve模块。

4.JSON

JSON

如果我们要在不同的编程语言之间传递对象,就必须把对象序列化为标准格式,比如XML,但更好的方法是序列化为JSON,因为JSON表示出来就是一个字符串,可以被所有语言读取,也可以方便地存储到磁盘或者通过网络传输。JSON不仅是标准格式,并且比XML更快,而且可以直接在Web页面中读取,非常方便。

JSON表示的对象就是标准的JavaScript语言的对象,JSON和Python内置的数据类型对应如下:

JSON类型

Python类型

{}

dict

[]

list

“string”

str

1234.56

int或float

true/false

True/False

null

None

Python内置的​​json​​模块提供了非常完善的Python对象到JSON格式的转换。我们先看看如何把Python对象变成一个JSON:

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

​dumps()​​​方法返回一个​​str​​​,内容就是标准的JSON。类似的,​​dump()​​​方法可以直接把JSON写入一个​​file-like Object​​。

要把JSON反序列化为Python对象,用​​loads()​​​或者对应的​​load()​​​方法,前者把JSON的字符串反序列化,后者从​​file-like Object​​中读取字符串并反序列化:

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

由于JSON标准规定JSON编码是UTF-8,所以我们总是能正确地在Python的​​str​​与JSON的字符串之间转换。

JSON进阶

Python的​​dict​​​对象可以直接序列化为JSON的​​{}​​​,不过,很多时候,我们更喜欢用​​class​​​表示对象,比如定义​​Student​​类,然后序列化:

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))

运行代码,毫不留情地得到一个​​TypeError​​:

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

错误的原因是​​Student​​对象不是一个可序列化为JSON的对象。

如果连​​class​​的实例对象都无法序列化为JSON,这肯定不合理!

别急,仔细看看​​dumps()​​​方法的参数列表,可以发现,除了第一个必须的​​obj​​​参数外,​​dumps()​​方法还提供了一大堆的可选参数:

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

这些可选参数就是让我们来定制JSON序列化。前面的代码之所以无法把​​Student​​​类实例序列化为JSON,是因为默认情况下,​​dumps()​​​方法不知道如何将​​Student​​​实例变为一个JSON的​​{}​​对象。

可选参数​​default​​​就是把任意一个对象变成一个可序列为JSON的对象,我们只需要为​​Student​​专门写一个转换函数,再把函数传进去即可:

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

这样,​​Student​​​实例首先被​​student2dict()​​​函数转换成​​dict​​,然后再被顺利序列化为JSON:

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

不过,下次如果遇到一个​​Teacher​​​类的实例,照样无法序列化为JSON。我们可以偷个懒,把任意​​class​​​的实例变为​​dict​​:

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

因为通常​​class​​​的实例都有一个​​__dict__​​​属性,它就是一个​​dict​​​,用来存储实例变量。也有少数例外,比如定义了​​__slots__​​的class。

同样的道理,如果我们要把JSON反序列化为一个​​Student​​​对象实例,​​loads()​​​方法首先转换出一个​​dict​​​对象,然后,我们传入的​​object_hook​​​函数负责把​​dict​​​转换为​​Student​​实例:

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

运行结果如下:

>>> 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​​实例对象。


举报

相关推荐

0 条评论