文章目录
一个完整的程序一般都包括数据的存储和读取;我们在前面写的程序数据都没有进行实际的存储,因此python解释器执行完数据就消失了。实际开发中,我们经常需要从外部存储介质(硬盘、光盘、U盘等)读取数据,或者将程序产生的数据存储到文件中,实现“持久化”保存。
其实,很多软件系统是将数据存储的数据库中;数据库实际也是基于文件形式存储的,本章我们就学习文件的相关操作。
文本文件和二进制文件
1 文本文件
文本文件存储的是普通“字符”文本,python默认为unicode 字符集(两个字节表示一个字符,最多可以表示:65536个),可以使用记事本程序打开。
2 二进制文件
二进制文件把数据内容用“字节”进行存储,无法用记事本打开。必须使用专用的软件解码。常见的有:MP4视频文件、MP3音频文件、JPG图片、doc文档等等。
文件操作相关模块概述
名称 | 说明 |
---|---|
io | 模块文件流的输入和输出操作 input output |
os | 模块基本操作系统功能,包括文件操作 |
glob | 模块查找符合特定规则的文件路径名 |
fnmatch | 模块使用模式来匹配文件路径名 |
fileinput | 模块处理多个输入文件 |
filecmp | 模块用于文件的比较 |
csv | 模块用于csv文件处理 |
pickle和cPickle | 用于序列化和反序列化 |
xml | 包用于XML数据处理 |
bz2、gzip、zipfile、zlib、tarfile | 用于处理压缩和解压缩文件(分别对应不同的算法) |
创建文件对象open()
open()
函数用于创建文件对象,基本语法格式如下:
open(文件名[,打开方式])
如果只是文件名,代表在当前目录下的文件。文件名可以录入全路径,比如: D:\a\b.txt
为了减少\
的输入,可以使用原始字符串: r“d:\b.txt”
示例如下:f = open(r"d:\b.txt","w")
打开方式有如下几种:
模式 | 描述 |
---|---|
r | 读 read模式 |
w | 写 write模式。如果文件不存在则创建;如果文件存在,则重写新内容; |
a | 追加append模式。如果文件不存在则创建;如果文件存在,则在文件末尾追加内容 |
b | 二进制binary模式(可与其他模式组合使用) |
+ | 读、写模式(可与其他模式组合使用) |
文本文件对象和二进制文件对象的创建:
1 如果没有增加模式 b
,则默认创建的是文本文件对象,处理的基本单元是“字符”。
2 如果是二进制模式 b
,则创建的是二进制文件对象,处理的基本单元是“字节”。
文本文件的写入
基本的文件写入操作 三个步骤:
1 创建文件对象
2 写入数据
3 关闭文件对象
示例
f = open(r"a.txt","a")
s = "itbaizhan\nbeijing\n"
f.write(s)
f.close()
或
with open(r"a.txt","a") as f:
s = "itbaizhan\nbeijing\n"
f.write(s)
常见编码介绍
在操作文本文件时,经常会操作中文,这时候就经常会碰到乱码问题。为了让大家有能力解决中文乱码问题,这里简单介绍一下各种编码之间的关系。
常用编码之间的关系如下:
ASCII
全称为American Standard Code for Information Interchange ,美国信息交换标准代码,这是世界上最早最通用的单字节编码系统,主要用来显示现代英语及其他西欧语言。
ASCII
码用7位表示,只能表示128个字符。只定义了27=128个字符,用7bit即可完全编码,而一字节8bit的容量是256,所以一字节ASCII
的编码最高位总是0。0~31表示控制字符如回车、退格、删除等;32~126表示打印字符即可以通过键盘输入并且能显示出来的字符; 其中48~57为0到9十个阿拉伯数字,65~90为26个大写英文字母,97~122号为26个小写英文字母,其余为一些标点符号、运算符号等,具体可以参考ASCII
标准表。
ISO8859-1
ISO-8859-1
又称Latin-1
,是一个8位单字节字符集,它把ASCII
的最高位也利用起来,并兼容了ASCII
,新增的空间是128,但它并没有完全用完。
在ASCII
编码之上又增加了西欧语言、希腊语、泰语、阿拉伯语、希伯来语对应的文字符号,它是向下兼容ASCII
编码
GB2312,GBK,GB18030
GB2312
全称为信息交换用汉字编码字符集,是中国于1980年发布,主要用于计算机系统中的汉字处理。GB2312
主要收录了6763个汉字、682个符号。GB2312
覆盖了汉字的大部分使用率,但不能处理像古汉语等特殊的罕用字,所以后来出现了像GBK
、GB18030
这种编码。GB2312
完全兼容ISO8859-1
GBK
全称为Chinese Internal Code Specification ,即汉字内码扩展规范,于1995年制定。它主要是扩展了GB2312
,在它的基础上又加了更多的汉字,它一共收录了21003个汉字
GB18030
现在最新的内码字集于2000年发布,并于2001年强制执行,包含了中国大部分少数民族的语言字符,收录汉字数超过70000余个。它主要采用单字节、双字节、四字节对字符编码,它是向下兼容GB2312
和GBK
的,虽然是我国的强制使用标准,但在实际生产中很少用到,用得最多的反而是GBK
和GB2312
Unicode
Unicode
编码设计成了固定两个字节,所有的字符都用16位(2^16=65536)表示,包括之前只占8位的英文字符等,所以会造成空间的浪费, UNICODE
在很长的一段时间内都没有得到推广应用。
Unicode
完全重新设计,不兼容iso8859-1
,也不兼容任何其他编码
UTF-8
对于英文字母, unicode
也需要两个字节来表示。所以unicode
不便于传输和存储。因此而产生了UTF
编码, UTF-8
全称是( 8-bit UnicodeTransformation Format )。
UTF
编码兼容iso8859-1
编码,同时也可以用来表示所有语言的字符,不过, UTF
编码是不定长编码,每一个字符的长度从1-4个字节不等。其中,英文字母都是用一个字节表示,而汉字使用三个字节。
建议 一般项目都会使用UTF-8
中文乱码问题
windows 操作系统默认的编码是GBK
, Linux 操作系统默认的编码是UTF-8
。当我们用open()
时,调用的是操作系统打开的文件,默认的编码是GBK
。
示例 通过指定文件编码解决中文乱码问题
f = open(r"b.txt","w",encoding="utf-8")
write()/writelines
()写入数据
write(a)
:把字符串a 写入到文件中
writelines(b)
:把字符串列表写入文件中,不添加换行符
f = open(r"d:\bb.txt","w",encoding="utf-8")
s = ["张三,北京\n","李四,深圳\n","王五,重庆\n"]
f.writelines(s)
f.close()
close()关闭文件流
由于文件底层是由操作系统控制,所以我们打开的文件对象必须显式调用close()
方法关闭文件对象。当调用close()
方法时,首先会把缓冲区数据写入文件(也可以直接调用flush()
方法),再关闭文件,释放文件对象。
为了确保打开的文件对象正常关闭,一般结合异常机制的finally
或者with
关键字实现无论何种情况都能关闭打开的文件对象。
try:
f = open(r"my01.txt","a")
s = "张三"
f.write(s)
except BaseException as e:
print(e)
finally:
f.close()
文本文件的读取
三个方法:
1 read([size])
从文件中读取size 个字符,并作为结果返回。如果没有size 参数,则读取整个文件。读取到文件末尾,会返回空字符串。
2 readline()
读取一行内容作为结果返回。读取到文件末尾,会返回空字符串
3 readlines()
文本文件中,每一行作为一个字符串存入列表中,返回该列表
with open(r"a.txt","r",encoding="utf-8") asf:
print(f.read(4)) ##读取前四个字符
with open(r"d:\bb.txt","r") as f:
print(f.read())##读取整个文件
'''按行读取'''
with open(r"bb.txt","r") as f:
while True:
fragment = f.readline()
if not fragment:
break
else:
print(fragment,end="")
#使用迭代器(每次返回一行)读取文本文件
with open(r"d:\bb.txt","r") as f:
for a in f:
print(a,end="")
#为文本每行末尾增加行号
with open("b.txt","r",encoding="utf-8") as f:
lines = f.readlines()
lines2 = [line.rstrip()+"#"+str(index)+"\n" for index,line in zip(range(1,len(lines)+1),lines)]
with open("b.txt","w",encoding="utf-8") as f:
f.writelines(lines2)