如何Python代码快速解析、整理上万份数据文件,很多新手对此不是很清楚,为了帮助大家解决这个难题,下面小编将为大家详细讲解,有这方面需求的人可以来学习下,希望你能有所收获。
在这个世界上,人们每天都在用 Python 完成着不同的工作。而文件操作,则是大家最常需要解决的任务之一。使用 Python,你可以轻松为他人生成精美的报表,也可以用短短几行代码快速解析、整理上万份数据文件。
当我们编写与文件相关的代码时,通常会关注这些事情:我的代码是不是足够快?我的代码有没有事半功倍的完成任务? 在这篇文章中,我会与你分享与之相关的几个编程建议。我会向你推荐一个被低估的 Python 标准库模块、演示一个读取大文件的最佳方式、最后再分享我对函数设计的一点思考。
下面,让我们进入第一个“模块安利”时间吧。
注意:因为不同操作系统的文件系统大不相同,本文的主要编写环境为 Mac OS/Linux 系统,其中一些代码可能并不适用于 Windows 系统。
如果你需要在 Python 里进行文件处理,那么标准库中的
os
和
os.path
兄弟俩一定是你无法避开的两个模块。在这两个模块里,有着非常多与文件路径处理、文件读写、文件状态查看相关的工具函数。
让我用一个例子来展示一下它们的使用场景。有一个目录里装了很多数据文件,但是它们的后缀名并不统一,既有
.txt
,又有
.csv
。我们需要把其中以
.txt
结尾的文件都修改为
.csv
后缀名。
我们可以写出这样一个函数:
在学习过程中有什么不懂得可以加我的 python学习交流扣扣qun,784758214 群里有不错的学习视频教程、开发工具与电子书籍。 与你分享python企业当下人才需求及怎么从零基础学习好python,和学习什么内容 1. `import os` 2. `import os.path` 5. `def unify_ext_with_os_path(path):` 6. `"""统一目录下的 .txt 文件名后缀为 .csv` 7. `"""` 8. `for filename in os.listdir(path):` 9. `basename, ext = os.path.splitext(filename)` 10. `if ext == '.txt':` 11. `abs_filepath = os.path.join(path, filename)` 12. `os.rename(abs_filepath, os.path.join(path, f'{basename}.csv'))`
让我们看看,上面的代码一共用到了哪些与文件处理相关的函数:
os.listdir(path)
:列出 path 目录下的所有文件(含文件夹)
os.path.splitext(filename)
:切分文件名里面的基础名称和后缀部分
os.path.join(path,filename)
:组合需要操作的文件名为绝对路径
os.rename(...)
:重命名某个文件
上面的函数虽然可以完成需求,但说句实话,即使在写了很多年 Python 代码后,我依然觉得:这些函数不光很难记,而且最终的成品代码也不怎么讨人喜欢。
为了让文件处理变得更简单,Python 在 3.4 版本引入了一个新的标准库模块:pathlib。它基于面向对象思想设计,封装了非常多与文件操作相关的功能。如果使用它来改写上面的代码,结果会大不相同。
使用 pathlib 模块后的代码:
1. `from pathlib import Path` 3. `def unify_ext_with_pathlib(path):` 4. `for fpath in Path(path).glob('*.txt'):` 5. `fpath.rename(fpath.with_suffix('.csv'))`
和旧代码相比,新函数只需要两行代码就完成了工作。而这两行代码主要做了这么几件事:
首先使用 Path(path) 将字符串路径转换为
Path
对象
调用 .glob(‘*.txt’) 对路径下所有内容进行模式匹配并以生成器方式返回,结果仍然是
Path
对象,所以我们可以接着做后面的操作
使用 .with_suffix(‘.csv’) 直接获取使用新后缀名的文件全路径
调用 .rename(target) 完成重命名
相比
os
和
os.path
,引入
pathlib
模块后的代码明显更精简,也更有整体统一感。所有文件相关的操作都是一站式完成。
除此之外,pathlib 模块还提供了很多有趣的用法。比如使用
/
运算符来组合文件路径:
1. `# ???? 旧朋友:使用 os.path 模块` 2. `>>> import os.path` 3. `>>> os.path.join('/tmp', 'foo.txt')` 4. `'/tmp/foo.txt'` 6. `# ✨ 新潮流:使用 / 运算符` 7. `>>> from pathlib import Path` 8. `>>> Path('/tmp') / 'foo.txt'` 9. `PosixPath('/tmp/foo.txt')`
或者使用
.read_text()
来快速读取文件内容:
1. `# 标准做法,使用 with open(...) 打开文件` 2. `>>> with open('foo.txt') as file:` 3. `... print(file.read())` 4. `...` 5. `foo` 7. `# 使用 pathlib 可以让这件事情变得更简单` 8. `>>> from pathlib import Path` 9. `>>> print(Path('foo.txt').read_text())` 10. `foo`
除了我在文章里介绍的这些,pathlib 模块还提供了非常多有用的方法,强烈建议去 官方文档 详细了解一下。
如果上面这些都不足以让你动心,那么我再多给你一个使用 pathlib 的理由:PEP-519 里定义了一个专门用于“文件路径”的新对象协议,这意味着从该 PEP 生效后的 Python 3.6 版本起,pathlib 里的 Path 对象,可以和以前绝大多数只接受字符串路径的标准库函数兼容使用:
1. `>>> p = Path('/tmp')` 2. `# 可以直接对 Path 类型对象 p 进行 join` 3. `>>> os.path.join(p, 'foo.txt')` 4. `'/tmp/foo.txt'`
所以,无需犹豫,赶紧把 pathlib 模块用起来吧。
Hint: 如果你使用的是更早的 Python 版本,可以尝试安装 pathlib2 模块 。
几乎所有人都知道,在 Python 里读取文件有一种“标准做法”:首先使用withopen(fine_name)
上下文管理器的方式获得一个文件对象,然后使用
for
循环迭代它,逐行获取文件里的内容。
下面是一个使用这种“标准做法”的简单示例函数:
1. `def count_nine(fname):` 2. `"""计算文件里包含多少个数字 '9'` 3. `"""` 4. `count = 0` 5. `with open(fname) as file:` 6. `for line in file:` 7. `count += line.count('9')` 8. `return count`
假如我们有一个文件
small_file.txt
,那么使用这个函数可以轻松计算出 9 的数量。
1. `# small_file.txt` 2. `feiowe9322nasd9233rl` 3. `aoeijfiowejf8322kaf9a` 5. `# OUTPUT: 3` 6. `print(count_nine('small_file.txt'))`
为什么这种文件读取方式会成为标准?这是因为它有两个好处:
with
上下文管理器会自动关闭打开的文件描述符
在迭代文件对象时,内容是一行一行返回的,不会占用太多内存
但这套标准做法并非没有缺点。如果被读取的文件里,根本就没有任何换行符,那么上面的第二个好处就不成立了。当代码执行到
forlineinfile
时,line 将会变成一个非常巨大的字符串对象,消耗掉非常可观的内存。
让我们来做个试验:有一个
5GB 大的文件
big_file.txt
,它里面装满了和
small_file.txt
一样的随机字符串。只不过它存储内容的方式稍有不同,所有的文本都被放在了同一行里:
1. `# FILE: big_file.txt` 2. `df2if283rkwefh... <剩余 5GB 大小> ...`
如果我们继续使用前面的
count_nine
函数去统计这个大文件里
9
的个数。那么在我的笔记本上,这个过程会足足花掉
65 秒,并在执行过程中吃掉机器
2GB 内存 [注1]。
为了解决这个问题,我们需要暂时把这个“标准做法”放到一边,使用更底层的
file.read()
方法。与直接循环迭代文件对象不同,每次调用
file.read(chunk_size)
会直接返回从当前位置往后读取
chunk_size
大小的文件内容,不必等待任何换行符出现。
所以,如果使用
file.read()
方法,我们的函数可以改写成这样:
1. `def count_nine_v2(fname):` 2. `"""计算文件里包含多少个数字 '9',每次读取 8kb` 3. `"""` 4. `count = 0` 5. `block_size = 1024 * 8` 6. `with open(fname) as fp:` 7. `while True:` 8. `chunk = fp.read(block_size)` 9. `# 当文件没有更多内容时,read 调用将会返回空字符串 ''` 10. `if not chunk:` 11. `break` 12. `count += chunk.count('9')` 13. `return count`
在新函数中,我们使用了一个
while
循环来读取文件内容,每次最多读取 8kb 大小,这样可以避免之前需要拼接一个巨大字符串的过程,把内存占用降低非常多。
假如我们在讨论的不是 Python,而是其他编程语言。那么可以说上面的代码已经很好了。但是如果你认真分析一下
count_nine_v2
函数,你会发现在循环体内部,存在着两个独立的逻辑:数据生成(read 调用与 chunk 判断) 与
数据消费。而这两个独立逻辑被耦合在了一起。
为了提升复用能力,我们可以定义一个新的
chunked_file_reader
生成器函数,由它来负责所有与“数据生成”相关的逻辑。这样
count_nine_v3
里面的主循环就只需要负责计数即可。
1. `def chunked_file_reader(fp, block_size=1024 * 8):` 2. `"""生成器函数:分块读取文件内容` 3. `"""` 4. `while True:` 5. `chunk = fp.read(block_size)` 6. `# 当文件没有更多内容时,read 调用将会返回空字符串 ''` 7. `if not chunk:` 8. `break` 9. `yield chunk` 12. `def count_nine_v3(fname):` 13. `count = 0` 14. `with open(fname) as fp:` 15. `for chunk in chunked_file_reader(fp):` 16. `count += chunk.count('9')` 17. `return count`
进行到这一步,代码似乎已经没有优化的空间了,但其实不然。iter(iterable) 是一个用来构造迭代器的内建函数,但它还有一个更少人知道的用法。当我们使用
iter(callable,sentinel)
的方式调用它时,会返回一个特殊的对象,迭代它将不断产生可调用对象 callable 的调用结果,直到结果为 setinel 时,迭代终止。
1. `def chunked_file_reader(file, block_size=1024 * 8):` 2. `"""生成器函数:分块读取文件内容,使用 iter 函数` 3. `"""` 4. `# 首先使用 partial(fp.read, block_size) 构造一个新的无需参数的函数` 5. `# 循环将不断返回 fp.read(block_size) 调用结果,直到其为 '' 时终止` 6. `for chunk in iter(partial(file.read, block_size), ''):` 7. `yield chunk`
最终,只需要两行代码,我们就完成了一个可复用的分块文件读取函数。那么,这个函数在性能方面的表现如何呢?
和一开始的 2GB 内存/耗时 65 秒 相比,使用生成器的版本只需要 7MB 内存 / 12 秒 就能完成计算。效率提升了接近 4 倍,内存占用更是不到原来的 1%。
统计完文件里的 “9” 之后,让我们换一个需求。现在,我想要统计每个文件里出现了多少个英文元音字母(aeiou)。只要对之前的代码稍作调整,很快就可以写出新函数
count_vowels
。
在学习过程中有什么不懂得可以加我的 python学习交流扣扣qun,784758214 群里有不错的学习视频教程、开发工具与电子书籍。 与你分享python企业当下人才需求及怎么从零基础学习好python,和学习什么内容 1. `def count_vowels(filename):` 2. `"""统计某个文件中,包含元音字母(aeiou)的数量` 3. `"""` 4. `VOWELS_LETTERS = {'a', 'e', 'i', 'o', 'u'}` 5. `count = 0` 6. `with open(filename, 'r') as fp:` 7. `for line in fp:` 8. `for char in line:` 9. `if char.lower() in VOWELS_LETTERS:` 10. `count += 1` 11. `return count` 14. `# OUTPUT: 16` 15. `print(count_vowels('small_file.txt'))`
和之前“统计 9”的函数相比,新函数变得稍微复杂了一些。为了保证程序的正确性,我需要为它写一些单元测试。但当我准备写测试时,却发现这件事情非常麻烦,主要问题点如下:
函数接收文件路径作为参数,所以我们需要传递一个实际存在的文件
为了准备测试用例,我要么提供几个样板文件,要么写一些临时文件
而文件是否能被正常打开、读取,也成了我们需要测试的边界情况
如果,你发现你的函数难以编写单元测试,那通常意味着你应该改进它的设计。上面的函数应该如何改进呢?答案是:让函数依赖“文件对象”而不是文件路径。
修改后的函数代码如下:
1. `def count_vowels_v2(fp):` 2. `"""统计某个文件中,包含元音字母(aeiou)的数量` 3. `"""` 4. `VOWELS_LETTERS = {'a', 'e', 'i', 'o', 'u'}` 5. `count = 0` 6. `for line in fp:` 7. `for char in line:` 8. `if char.lower() in VOWELS_LETTERS:` 9. `count += 1` 10. `return count` 13. `# 修改函数后,打开文件的职责被移交给了上层函数调用者` 14. `with open('small_file.txt') as fp:` 15. `print(count_vowels_v2(fp))`
这个改动带来的主要变化,在于它提升了函数的适用面。因为 Python 是“鸭子类型”的,虽然函数需要接受文件对象,但其实我们可以把任何实现了文件协议的 “类文件对象(file-like object)” 传入
count_vowels_v2
函数中。
而 Python 中有着非常多“类文件对象”。比如 io 模块内的 StringIO 对象就是其中之一。它是一种基于内存的特殊对象,拥有和文件对象几乎一致的接口设计。
利用 StringIO,我们可以非常方便的为函数编写单元测试。
1. `# 注意:以下测试函数需要使用 pytest 执行` 2. `import pytest` 3. `from io import StringIO` 6. `@pytest.mark.parametrize(` 7. `"content,vowels_count", [` 8. `# 使用 pytest 提供的参数化测试工具,定义测试参数列表` 9. `# (文件内容, 期待结果)` 10. `('', 0),` 11. `('Hello World!', 3),` 12. `('HELLO WORLD!', 3),` 13. `('你好,世界', 0),` 14. `]` 15. `)` 16. `def test_count_vowels_v2(content, vowels_count):` 17. `# 利用 StringIO 构造类文件对象 "file"` 18. `file = StringIO(content)` 19. `assert count_vowels_v2(file) == vowels_count`
使用 pytest 运行测试可以发现,函数可以通过所有的用例:
1. `❯ pytest vowels_counter.py` 2. `====== test session starts ======` 3. `collected 4 items` 5. `vowels_counter.py ... [100%]` 7. `====== 4 passed in 0.06 seconds ======`
而让编写单元测试变得更简单,并非修改函数依赖后的唯一好处。除了 StringIO 外,subprocess 模块调用系统命令时用来存储标准输出的 PIPE 对象,也是一种“类文件对象”。这意味着我们可以直接把某个命令的输出传递给
count_vowels_v2
函数来计算元音字母数:
1. `import subprocess` 3. `# 统计 /tmp 下面所有一级子文件名(目录名)有多少元音字母` 4. `p = subprocess.Popen(['ls', '/tmp'], stdout=subprocess.PIPE, encoding='utf-8')` 6. `# p.stdout 是一个流式类文件对象,可以直接传入函数` 7. `# OUTPUT: 42` 8. `print(count_vowels_v2(p.stdout))`
正如之前所说,将函数参数修改为“文件对象”,大的好处是提高了函数的 适用面 和 可组合性。通过依赖更为抽象的“类文件对象”而非文件路径,给函数的使用方式开启了更多可能,StringIO、PIPE 以及任何其他满足协议的对象都可以成为函数的客户。
不过,这样的改造并非毫无缺点,它也会给调用方带来一些不便。假如调用方就是想要使用文件路径,那么就必须得自行处理文件的打开操作。
有没有办法即拥有“接受文件对象”的灵活性,又能让传递文件路径的调用方更方便?答案是:有,而且标准库中就有这样的例子。
打开标准库里的
xml.etree.ElementTree
模块,翻开里面的
ElementTree.parse
方法。你会发现这个方法即可以使用文件对象调用,也接受字符串的文件路径。而它实现这一点的手法也非常简单易懂:
1. `def parse(self, source, parser=None):` 2. `"""*source* is a file name or file object, *parser* is an optional parser` 3. `"""` 4. `close_source = False` 5. `# 通过判断 source 是否有 "read" 属性来判定它是不是“类文件对象”` 6. `# 如果不是,那么调用 open 函数打开它并负担起在函数末尾关闭它的责任` 7. `if not hasattr(source, "read"):` 8. `source = open(source, "rb")` 9. `close_source = True`
使用这种基于“鸭子类型”的灵活检测方式,
count_vowels_v2
函数也同样可以被改造得更方便,我在这里就不再重复啦。
如果你依然在编程的世界里迷茫,可以加入我们的Python学习扣qun:784758214,看看前辈们是如何学习的!交流经验!自己是一名高级python开发工程师,从基础的python脚本到web开发、爬虫、django、数据挖掘等,零基础到项目实战的资料都有整理。送给每一位python的小伙伴!分享一些学习的方法和需要注意的小细节,点击加入我们的 python学习者聚集地
文件操作我们在日常工作中经常需要接触的领域,使用更方便的模块、利用生成器节约内存以及编写适用面更广的函数,可以让我们编写出更高效的代码。
让我们最后再总结一下吧:
使用 pathlib 模块可以简化文件和目录相关的操作,并让代码更直观
PEP-519 定义了表示“文件路径”的标准协议,Path 对象实现了这个协议
通过定义生成器函数来分块读取大文件可以节约内存
使用
iter(callable,sentinel)
可以在一些特定场景简化代码
难以编写测试的代码,通常也是需要改进的代码
让函数依赖“类文件对象”可以提升函数的适用面和可组合性
看完上述内容是否对您有帮助呢?如果还想对相关知识有进一步的了解或阅读更多相关文章,请关注创新互联-成都网站建设公司行业资讯频道,感谢您对创新互联的支持。
本文标题:如何Python代码快速解析、整理上万份数据文件-创新互联
标题网址:https://www.cdcxhl.com/article32/ddhesc.html
成都网站建设公司_创新互联,为您提供网站改版、营销型网站建设、用户体验、网站内链、响应式网站、网站维护
声明:本网站发布的内容(图片、视频和文字)以用户投稿、用户转载内容为主,如果涉及侵权请尽快告知,我们将会在第一时间删除。文章观点不代表本网站立场,如需处理请联系客服。电话:028-86922220;邮箱:631063699@qq.com。内容未经允许不得转载,或转载时需注明来源: 创新互联