第十节(1) 文件操作(IO 技术)

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
cvs 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”)

名称	说明
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: 如果我们没有增加模式“b”，则默认创建的是文本文件对象，处理的基本单元是“字符”。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

文本文件的写入一般就是三个步骤:

1. 创建文件对象
2. 写入数据
3. 关闭文件对象

f = open(r"a.txt","a")
s = "testtest\ntest2\n"
f.write(s)
f.close()

result:
# a.txt
testtest
test2

---

常用编码介绍

ASCII

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。

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

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。

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 Unicode Transformation 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。

【老鸟建议】一般项目都会使用 UTF-8。unicode 中虽然汉字是两个字节， UTF-8 中汉字是 3 个字节。但是互联网中一个网页也包含了大量的英文字母， 这些英文字母只占用 1 个字节，整体占用空间，UTF-8 仍然由于 Unicode。

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。

---

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"a.txt","a")
s = ["a","b","c"]
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"a.txt","a")
    str = "aaa"
    f.write(str)
except BaseException as e:
    print(e)
finally:
    f.close()

---

文本文件的读取

文件的读取一般使用如下三个方法:

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") as f:
    print(f.read(4))
print("*" * 20)


with open(r"a.txt", "r", encoding="utf-8") as f:
    print(f.read())

print("*"*20)


with open(r"a.txt","r") as f:
    while True:
        fragment = f.readline()
        if not fragment:
            break
        else:
            print(fragment,end="")
print("*" * 20)

with open(r"a.txt","r") as f:
    for a in f:
        print(a,end="")

with open("a.txt","r",encoding="utf-8") as f:
    lines = f.readlines()
    lines = [line.rstrip() + " #" + str(index + 1) + "\n" for index, line in enumerate(lines)]

with open("a.txt","w",encoding="utf-8") as f:
    f.writelines(lines)

---

二进制文件的读取和写入

二进制文件的处理流程和文本文件流程一致。首先还是要创建文件对象，不过，我们需要指 定二进制模式，从而创建出二进制文件对象。例如:
f = open(r"d:\a.txt", ‘wb’) #可写的、重写模式的二进制文件对象
f = open(r"d:\a.txt", ‘ab’) #可写的、追加模式的二进制文件对象
f = open(r"d:\a.txt", ‘rb’) #可读的二进制文件对象

---

其余一些操作

文件对象的属性

属性	说明
name	返回文件的名字
mode	返回文件的打开模式
closed	若文件被关闭则返回 True

文件对象的方法

方法名	说明
seek(offset[,whence])	把文件指针移动到新的位置，offset 表示相对于 whence 的多少个字节的偏移量; offset: off 为正往结束方向移动，为负往开始方向移动 whence 不同的值代表不同含义:0: 从文件头开始计算(默认值) 1:从当前位置开始计算 2:从文件尾开始计算
tell()	返回文件指针的当前位置
truncate([size])	不论指针在什么位置，只留下指针前 size 个字节的内容，其余全 部删除;如果没有传入 size，则当指针当前位置到文件末尾内容全部删除
flush()	把缓冲区的内容写入文件，但不关闭文件