python 删除csv第一行_基于Python实现对各种数据文件的操作

本文总结使用Python对常见的数据文件进行读写操作。

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

更多参考：https://docs.python.org/3/tutorial/inputoutput.html#reading-and-writing-files

文件读取

# 文件input

输出如下：

['010杜甫：佳人', '', '绝代有佳人，幽居在空谷。', '自云良家子，零落依草木。', '关中昔丧乱，兄弟遭杀戮。', '官高何足论，不得收骨肉。', '世情恶衰歇，万事随转烛。', '夫婿轻薄儿，新人美如玉。', '合昏尚知时，鸳鸯不独宿。', '但见新人笑，那闻旧人哭！', '在山泉水清，出山泉水浊。', '侍婢卖珠回，牵萝补茅屋。', '摘花不插发，采柏动盈掬。', '天寒翠袖薄，日暮倚修竹。']

也可以用pandas来读取

'txt'], encoding=

输出如下：

文件输出

# 文件output

2 csv文件

更多参考：https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.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

输出如下：

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：https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.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

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, https://www.xlwings.org/

• openpyxl, https://openpyxl.readthedocs.io/en/stable/

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 

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, https://2.python-requests.org//zh_CN/latest/user/quickstart.html

• BeautifulSoup, https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.html

• lxml, https://lxml.de/, 笔者最喜欢用的工具包之一

• re, https://docs.python.org/3/library/re.html，正则化是数据清洗中必学的技能之一，更多参考https://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html

• json, https://docs.python.org/3/library/json.html, 处理json格式数据

• pandas, https://pandas.pydata.org/pandas-docs/stable/index.html，将数据保存为dataframe

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。

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, http://mstamy2.github.io/PyPDF2/

• pdfrw, https://github.com/pmaupin/pdfrw

更多参考：https://www.binpress.com/manipulate-pdf-python/

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：

• http://freemypdf.com/

• https://smallpdf.com/unlock-pdf

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

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, https://textract.readthedocs.io/en/stable/,该工具包支持多种格式文件的数据提取

• pdfminer.six, https://github.com/pdfminer/pdfminer.six，使用方法同pdfminer是一样的。pdfminer的使用方法参考http://www.unixuser.org/~euske/python/pdfminer/

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https://stackoverflow.com/questions/26494211/extracting-text-from-a-pdf-file-using-pdfminer-in-python可以自定义一个函数批量对pdf进行转换(文末附有该函数)。

textract使用示例如下

import textract

5.2 读取Word文件

可以使用工具包python-docx,https://python-docx.readthedocs.io/en/latest/

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, https://github.com/Roche/pyreadstat

# 使用Python读取.sav文件

示例数据下载: https://pan.baidu.com/s/1iGU5vjDrwGzBswbxsC714Q 提取码: sjgz 

更多参考

• https://pandas.pydata.org/pandas-docs/stable/user_guide/io.html

• Automate the Boring Stuff with Python: Practical Programming for Total Beginners

附PDF文件转字符串的函数

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