[[190471]]

不論是數(shù)據(jù)分析還是機器學(xué)習(xí)，乃至于高大上的AI，數(shù)據(jù)源的獲取是所有過程的入口。 數(shù)據(jù)源的存在形式多為數(shù)據(jù)庫或者文件，如果把數(shù)據(jù)看做一種特殊格式的文件的話，即所有數(shù)據(jù)源都是文件。獲得數(shù)據(jù)，就是讀取文件的操作，文件有各種各樣的格式即數(shù)據(jù)的組織形式，如何方便快捷地獲取文件中的內(nèi)容呢?

還是那句名言，life is short， just use python。

操作基礎(chǔ)

在python 中，文件的操作分為面向目錄和面向文件的，本質(zhì)都是一樣的。

面向目錄的常見操作見下表：

面向文件的常見操作見下表：

在這些基本操作中，遍歷目錄并列出所有文件或者所需的目標(biāo)文件是一種常見的操作。另外，需要注意的是打開文件時的模式，a，w，r，組合時的a+，w+，r+， 還有針對這六種模式在讀取二進制文件時都要加上b。 在操作結(jié)束時，一定要顯式關(guān)閉文件， 當(dāng)然 通過with 語句的隱式關(guān)閉也是可以的。

對于作為數(shù)據(jù)內(nèi)容源的文件而言， 可以簡單的分為文本和非文本兩類，就是內(nèi)容本身是文字的和非文字的，對混合形式的文件一般可以采用分而治之的方式。對于數(shù)據(jù)分析而言，這里側(cè)重于文件讀取及數(shù)據(jù)的采集上。

文本文件讀取

數(shù)據(jù)分析乃至文本分析都有涉及到文本文件的讀取。文本文件也可以粗略的分為兩類：純內(nèi)容文本和帶格式約定的文本。純內(nèi)容文本就是相對純粹的文本數(shù)據(jù)，例如新聞，博客文字內(nèi)容，readme等等。帶格式約定的文本是為了增強內(nèi)容的功能性或者實現(xiàn)特定的語義，例如xml，html，json文件等。

純內(nèi)容文本文件

在讀取純內(nèi)容文本的時候，就是一般的讀文件基礎(chǔ)操作，需要注意的是文本內(nèi)容的字符集編碼。判斷文本文件屬于哪個字符集，老碼農(nóng)還在用chardet，不知道現(xiàn)在有沒有更先進的手段了。示例代碼如下：

import chardet 
 
f = open('/target_path/abel.txt',r) 
my_data = f.read() 
print chardet.detect(my_data) 

chardet.detect 返回的是一個字典，包括編碼類型和一個概率值。然后，就可以根據(jù)自己的需要進行編碼轉(zhuǎn)換了。

鍵值對相關(guān)的配置文件

在應(yīng)用中經(jīng)常有.ini文件來用于配置信息，在python 中可以利用ConfigParser來處理。ConfigParser 模塊有RawConfigParser,ConfigParser 和SafeConfigParser 三種對象，一般采用ConfigParser即可。 一個應(yīng)用的配置文件"myweb_config.ini"如下：

[myweb]  
url = http://%(host)s:%(port)s/myweb  
host = 192.168.1.100  
port = 8888 

那么，使用ConfigParser的示例代碼如下：

import ConfigParser   
mysql_config = ConfigParser.ConfigParser()   
cf.read("myweb_config.ini")   
print cf.get("portal", "url") 

讀取配置文件的一個常見使用情形是獲取數(shù)據(jù)庫的訪問信息，以便從數(shù)據(jù)庫中獲取數(shù)據(jù)。

Json，XML和HTML文件

JSON是一種輕量級的數(shù)據(jù)交換格式。Json 文件采用完全獨立于編程語言的文本格式來存儲和表示數(shù)據(jù)。簡潔和清晰的層次結(jié)構(gòu)使得 JSON 成為理想的數(shù)據(jù)交換語言，是當(dāng)前應(yīng)用中主流的數(shù)據(jù)文件之一。 通過Python的json模塊,可以將字符串形式的json數(shù)據(jù)轉(zhuǎn)化為字典,也可以將Python中的字典數(shù)據(jù)轉(zhuǎn)化為字符串形式的json數(shù)據(jù)。讀取Json文件的示例代碼如下：

import json 
 
f = open("test.json", encoding='utf-8')   
my_json = json.load(f) 

然后就可以對my_json 以字典方式進行讀取了，需要主要的是設(shè)置Json文件解碼模式。

XML是一套定義語義標(biāo)記的規(guī)則，將文檔分成許多部分并對這些部分加以標(biāo)識。同時，也是定義了用于定義其他與特定領(lǐng)域有關(guān)的、語義的、結(jié)構(gòu)化的標(biāo)記語言的句法語言。在python 中解析 XML 文件有三種方法：SAX，DOM，和ElementTree。ElementTree就像一個輕量級的DOM，示例代碼如下：

import xml.etree.ElementTree as ET 
my_xml_tree = ET.parse('/home/abel/face.xml') 
print  my_xml_tree.getroot() 

HTML 更是我們最常接觸文件，基于web的數(shù)據(jù)爬蟲，數(shù)據(jù)分析，數(shù)據(jù)挖掘等都會涉及到HTML文件的讀寫。在python中，用BS4 來對html 進行操作是非常方便的，同樣也可以對xml 文件進行類似的操作，尤其是從網(wǎng)絡(luò)中讀取html，示例代碼如下：

import requests 
from bs4 import BeautifulSoup 
res = requests.get("http://a.b.c/c?d=e")  
soup = BeautifulSoup(res.text) 
print soup.find_all('a') 

CSV文件

CSV文件就是一種由逗號隔開的文本文件，使用非常廣泛，尤其是excel 文件可以另存為CSV文件，使分析CSV文件中的數(shù)據(jù)更加方便。 在Python中可以之間使用csv模塊進行操作即可，示例代碼如下：

import csv 
csv_reader = csv.reader(open('mydata.csv', encoding='utf-8')) 
for each_line in csv_reader: 
   print each_line 

常見的文本文件除了純文本，鍵值對文件，json，xml，html，csv以外，就是大量的日志文件了，也可以選擇的相關(guān)庫或者自行分析讀取， 進一步就可能進入到NLP的領(lǐng)域了。

媒體文件讀取

媒體文件中的數(shù)據(jù)內(nèi)容一般不是文本，是經(jīng)過編碼是數(shù)據(jù)，例如圖片，音頻，以及視頻文件，為了簡化可以暫不考慮其中的字幕情況。

圖片文件

圖片由各種各樣的格式即數(shù)據(jù)內(nèi)容的編解碼方式，在python 中一般使用PIL 庫對圖片文件進行讀取或者進一步的處理,示例代碼如下：

from PIL import Image 
im = Image.open('/home/abel/abc.jpg') 
w, h = im.size 
im.thumbnail((w/2, h/2)) 
im.save('/home/abel/abc_thumbnail.jpg', 'jpeg') 

這個一個獲取一個圖片文件縮略圖的小例子。 PIL是很強大的，提供了幾乎所有的圖像基本操作，例如改變圖像大小，旋轉(zhuǎn)圖像，圖像格式轉(zhuǎn)換，色場空間轉(zhuǎn)換，圖像增強，直方圖處理，插值和濾波等等。當(dāng)然，其他的一些科學(xué)計算庫也提供了很多圖像處理的功能，例如大名鼎鼎的OpenCV， 具體可以參見《7行python代碼的人臉識別》一文。

音頻MP3

和圖片文件一樣， 音頻文件的編解碼格式同樣很多。以MP3為例，只要了解了MP3文件的編碼格式，就可以通過Python直接對MP3中的文件信息進行讀取了。如果不重復(fù)造輪子的話，python 對音頻的支持庫也有很多。就MP3而言，可以使用python 中的eye3D(http://http://eyed3.nicfit.net) 庫來讀取MP3 中的相關(guān)信息， 示例代碼如下：

import eyed3 
 
f_mp3 = eyed3.load("/users/hecom/xiangwang.mp3") 
print f_mp3.tag.title 
print f_mp3.info.time_secs 

技術(shù)演進日新月異，老碼農(nóng)曾經(jīng)使用過的PyMedia 好像很久沒人維護了,至于mp3 文件的播放，可以使用的庫同樣很多，例如mp3play,pyaudio以及pygame等。對于音頻文件的進一步處理一般就要涉及的語音識別和語音合成了。

視頻MP4

視頻可以粗略地看成音頻、圖片乃至文字的混合體了。在Python 中讀取并處理視頻文件，一般可以使用MoviePy庫(https://github.com/Zulko/moviepy)。MoviePy是可用于視頻編輯的基本操作(像剪切，合并，插入標(biāo)題)，視頻合成(又名非線性編輯)，視頻處理，或者創(chuàng)建高級的效果。它可以讀取和寫入的最普通的視頻格式，包括GIF。 示例代碼如下：

from moviepy.editor import * 
 
video = VideoFileClip("mybaby.mp4").subclip(50,60) 
 
txt_clip = ( TextClip("My Son 2002",fontsize=70,color='white') 
             .set_position('center') 
             .set_duration(10) ) 
 
result = CompositeVideoClip([video, txt_clip])  
result.write_videofile("mybaby_edited.mp4",fps=25) 

這個小例子是將一個MP4提取其中50秒至60秒之間的數(shù)據(jù)并增加上一點文本信息生成一個新的MP4文件。MoviePy中提供了很多視頻處理的方法和示例，并且能與PIL，OpenCV，scikit Image，matplotlib等混合使用。另外，關(guān)于視頻的攝取，python中也是有vediocapture庫的。

帶格式編碼的文檔讀取

我們常見的另一類文檔如PDF，word，excel等也是一種混合文檔，里面一般以文本為主，主要在顯示方式上作了規(guī)則限定，文檔中包含了關(guān)于顯示格式的大量信息。當(dāng)然，這些文檔還可以嵌入媒體文件。粗淺地解釋一下，為了理解的方便，可以把這些帶格式編碼的文檔看作瀏覽器和html文本的結(jié)合體，這樣文件中的某些邏輯處理就可以想象成JavaScript的相關(guān)操作了。

PDF文件

PDF是一種非常好用的格式，它能夠解析并顯示與圖片結(jié)合在一起的文本，并且具備一般性的不可編輯。在Python 中一般可以通過pdfminer(http://www.unixuser.org/~euske/python/pdfminer/) 或者pypdf 來讀取pdf文件中的內(nèi)容， 官網(wǎng)給出的示例代碼如下：

from pdfminer.pdfparser import PDFParser 
from pdfminer.pdfdocument import PDFDocument 
from pdfminer.pdfpage import PDFPage 
from pdfminer.pdfpage import PDFTextExtractionNotAllowed 
from pdfminer.pdfinterp import PDFResourceManager 
from pdfminer.pdfinterp import PDFPageInterpreter 
from pdfminer.pdfdevice import PDFDevice 
 
# Open a PDF file. 
fp = open('mypdf.pdf', 'rb') 
# Create a PDF parser object associated with the file object. 
parser = PDFParser(fp) 
# Create a PDF document object that stores the document structure. 
# Supply the password for initialization. 
document = PDFDocument(parser, password) 
# Check if the document allows text extraction. If not, abort. 
if not document.is_extractable: 
    raise PDFTextExtractionNotAllowed 
# Create a PDF resource manager object that stores shared resources. 
rsrcmgr = PDFResourceManager() 
# Create a PDF device object. 
device = PDFDevice(rsrcmgr) 
# Create a PDF interpreter object. 
interpreter = PDFPageInterpreter(rsrcmgr, device) 
# Process each page contained in the document. 
for page in PDFPage.create_pages(document): 
    interpreter.process_page(page) 

除此之外，還可以采用命令行———— pdf2txt 直接調(diào)用pdf文件進行文本轉(zhuǎn)換。

word 文件

word文檔幾乎是最常見的辦公文件了，但是.docx文件的結(jié)構(gòu)比較復(fù)雜，一般分為三層：

• Docment對象表示整個文檔;
• Docment包含了Paragraph對象的列表，Paragraph對象用來表示文檔中的段落;
• 一個Paragraph對象包含Run對象的列表。

在python中 一般可以采用python-docx 庫對word文件進行讀寫，簡化起見，如果只關(guān)心word文件中的文本信息的話，示例代碼如下：

import docx 
doc = docx.Document('／home/abel/test.docx') 
paras = doc.paragraphs 
text_in_doc =[] 
for each_p in paras: 
    text_in_doc.append(each_p.text) 

Python DocX目前是Python OpenXML的一部分，可以用它打開Word 2007及以后的文檔，而用它保存的文檔可以在Microsoft Office 2007/2010, Microsoft Mac Office 2008, Google Docs, OpenOffice以及Apple iWork 08中打開。

Excel 文件

python處理excel文件主要的第三方庫有xlrd、xlwt、xluntils和pyExcelerator等，還有人在這之上封裝了很多更方便實用的庫。這里使用樸實的xlrd(https://github.com/python-excel/xlrd/)來讀取excel文件，示例代碼如下：

import xlrd 
myworkbook = xlrd.open_workbook('test.xls') # 打開xls文件 
table = myworkbook.sheet_by_name(u'Sheet1') 
nrows = table.nrows 
for i in range(nrows): 
    print table.row_values(i)[:10]  

這個小例子讀取了test.xls 文件，打印出來Sheet1中各行的前十列。xlrd 是有局限的，無法讀取excel中的一些對象，如：

• 圖表，圖片，宏以及其他的嵌入對象
• VBA，超鏈接，數(shù)據(jù)驗證
• 公式(結(jié)果除外)，條件的格式化，注釋等等

好在，我們關(guān)注的是excel中的數(shù)據(jù)內(nèi)容，以便進行數(shù)據(jù)分析，這些局限無傷大雅。

一句話小結(jié)

文件數(shù)據(jù)源的讀取是數(shù)據(jù)分析的入口，使用Python可以方便快捷地讀取各種文件格式中的內(nèi)容，為進一步的數(shù)據(jù)分析或者數(shù)據(jù)清洗提供了簡潔方式。

【本文來自51CTO專欄作者“老曹”的原創(chuàng)文章，作者微信公眾號：喔家ArchiSelf,id:wrieless-com】

戳這里，看該作者更多好文