目錄

• txt
  • txt的讀入
  • txt的寫出
• csv
• xls\xlsx
• 線上網頁資料
  • 常用的工具
  • 爬蟲的步驟
• pdf
  • pdfrw
  • PyPDF2
  • 提取文件資訊
• word文件
• 其他統計軟體生成檔案

本文總結使用Python對常見的資料檔案進行讀寫操作。

• 本文所用的示例資料下載，提取碼: sjgz
• pandas官網的資料I/O部分是很好的學習材料

txt

關於一般檔案讀寫的更多參考

txt的讀入

## 檔案讀取

# 檔案路徑
file_in = os.path.join(workdir,'Data/demo_text.txt')

# 開啟檔案
f_in = open(file_in, encoding='utf-8')

# 將每行的文字讀取，並存為列表
# 此處使用.rstrip()去除右側的空格、換行符等
lines_raw = [x.rstrip() for x in f_in]
# 或者
# lines_raw = [l.rstrip() for l in f.readlines()]

print(lines_raw)

# 關閉檔案
f_in.close()
 

如果txt內部儲存的是表格(dataframe)格式的資料，那麼可以直接用pandas.read_csv來讀取。

df_txt = pd.read_csv(file_in, names=['txt'], encoding='utf-8')
df_txt.head()

txt的寫出

# 檔案輸出
file_out = os.path.join(workdir,'Data/out_text.txt')

f_out = open(file_out, encoding='utf-8',mode = 'w')

f_out.writelines(lines_raw)
f_out.close()
 

上面的列子是一次寫入所有行。
也可以使用.writeline方法一行一行寫入，比如寫log日誌。

# 程式執行的日誌
file_log = os.path.join(workdir,'Data/run_log.txt')

f_log = open(file_log, encoding='utf-8',mode = 'w')

for i in range(5):
    line = 'this is %d run \n'%i
    f_log.write(line)

f_log.close()

csv

csv即逗號分隔的檔案，可以使用的包

• pd.read_csv
• csv

pandas在資料分析中最常用，功能也很強大，這裡只示範pandas的用法

# 定義檔案路徑
file_csv = os.path.join(workdir,'Data/demo_csv.csv')

# pandas.read_csv()函式來讀取檔案
df_csv = pd.read_csv(file_csv,sep=',',encoding='utf-8')

# dataframe.to_csv()儲存csv檔案
# 儲存檔案的時候一定要注意encoding
df_csv.to_csv('out_csv',index=False,encoding='utf-8')

也可以用來讀取線上的檔案，檔案的字尾可能是txt、data之類的，不過沒關係，只要裡面存的是表格(dataframe)格式的資料，就可以用pandas.read_csv來讀取。

#此處使用UCI機器學習用的資料
url_data = 'https://archive.ics.uci.edu/ml/machine-learning-databases/adult/adult.data'
# 欄位描述見https://archive.ics.uci.edu/ml/machine-learning-databases/adult/adult.names
df_adult = pd.read_csv(url_data, sep=',', names = col_names,index_col=None)

xls\xlsx

pandas工具包中也提供了相應的函式來讀寫excel檔案(pandas.read_excel()和dataframe.to_excel())。
更多參考
不同於csv檔案，xlsx檔案中會有多個sheet，pandas.read_excel函式預設讀取第一個sheet.

# 定義檔案路徑
file_excel = os.path.join(workdir,'Data/demo_xlsx.xlsx')

# pandas.read_excel()函式來讀取檔案
# sheet_name=0表示讀取第一個sheet，也可以指定要讀取的sheet的名稱(字串格式)
# header=0 表示使用第一行作為表頭(列名)
# 如果資料中沒有列名(表頭)，可以設定header=None,同時names引數來指定list格式的列名
df_excel = pd.read_excel(file_excel,sheet_name=0,header=0,encoding='utf-8')

# dataframe.to_csv()儲存csv檔案
# 儲存檔案的時候一定要注意encoding
df_excel.to_excel('out_excel.xlsx',index=False,encoding='utf-8')

如果我們是想在單元格顆粒度上進行操作，可以考慮兩個工具包：

• xlwings
• openpyxl

這裡用xlwings示範自動化“填表”，比如現在有3個專案對應的3個單元格需要填寫。

@w=500

如果要批量從多個統一格式的excel檔案中讀取多個單元格或者寫入資料，可參考如下程式碼。

import xlwings as xw

file_excel = os.path.join(workdir,'Data/demo_填表.xlsx')

# 開啟excel檔案的時候不要展示頁面
app = xw.App(visible=False)

# 開啟工作簿
wb = xw.Book(file_excel)

# 開啟工作表
# 可以用index，可以指定sheet的名稱
ws = wb.sheets[0]

# 讀取對應單元格的值
print(ws.range('A1').value)

ws.range('B1').value = 'Ahong'
ws.range('B2').value  = '男'
ws.range('B3').value  = 'Pyhon'

# 儲存工作簿
wb.save() 
# 也可以儲存為新的檔名，e.g.wb.save('new.xlsx')

# 關閉工作簿
wb.close()

線上網頁資料

線上網頁資料通常需要網路爬蟲來抓取，同時網頁是半結構化的資料，需要整理為結構化的資料。
關於網路爬蟲可以參考如下兩本書：

• Web Scraping with Python: Collecting More Data from the Modern Web, Ryan Mitchell, O’Reilly書系，中文版是Python網路爬蟲權威指南
• Python 3網路爬蟲開發實戰，崔慶才，也可以訪問作者的部落格

常用的工具

網頁資料的爬取和解析常會用到的工具包

• requests

• BeautifulSoup
• lxml, 解析網頁中的css目錄很好用
• re，正則化是資料清洗中必學的技能之一，更多參考
• json，json和html是常見的半結構化資料

• pandas，主要是對結構化的資料(dataframe)進行處理

爬蟲的步驟

通常網路爬蟲的步驟如下：

1. 分析網頁請求規範，比如是get還是post，請求的url是啥，返回的資料是什麼格式(json?靜態html?)，header引數，url或者post中的變數有什麼等；
2. 獲取網頁資料，使用requests包；
3. 解析網頁資料(將半結構化的網頁資料轉化為結構化資料)，BeautifulSoup、lxml、re、json齊上陣；
4. 整合資料並存檔，使用pandas對資料進行整合並初步清洗。

pdf

參考資料：

• https://automatetheboringstuff.com/chapter13/
• https://www.binpress.com/manipulate-pdf-python/

對於pdf檔案而言，如果要對文件操作(比如合併、篩選、刪除頁面等)，建議使用的工具包：

• PyPDF2
• pdfrw

處理pdf檔案時，要注意檔案需要是“無密碼”狀態，“加密”狀態的檔案處理時會報錯。
pdf解密工具推薦：

• http://freemypdf.com/
• https://smallpdf.com/unlock-pdf

這裡舉例說明兩個包的用法：篩選奇數頁面並儲存為新文件。

pdfrw

from pdfrw import PdfReader

pdf_r = PdfReader(os.path.join(workdir,'Data/demo_pdf.pdf'))

from pdfrw import PdfWriter
pdf_w = PdfWriter()

page_cnt = pdf_r.numPages

# 篩選奇數頁面
for i in range(0,page_cnt,2):
    pdf_w.addpage(pdf_r.pages[i])
    
pdf_w.write('filtered_pages.pdf')

y.write('dd.pdf')

PyPDF2

import PyPDF2

# 讀入檔案路徑
file_in = os.path.join(workdir,'Data/demo_pdf.pdf')
# 開啟要讀取的pdf檔案
f_in = open(file_in,'rb') 

# 讀取pdf文件資訊
pdfReader = PyPDF2.PdfFileReader(f_in)

# pdf檔案頁面數
page_cnt = pdfReader.getNumPages()

pdfWriter = PyPDF2.PdfFileWriter()

# 篩選奇數頁面
for page_idx in range(0,page_cnt,2):
    page = pdfReader.getPage(page_idx)
    pdfWriter.addPage(page)
    
# 輸出文件
file_out = open('pdf_out.pdf', 'wb')
pdfWriter.write(file_out)

# 關閉輸出的檔案
file_out.close()

# 關閉讀入的檔案
# pdf_file.close()

提取文件資訊

如果要解析pdf檔案的頁面資料(檔案上都寫了啥)，推薦的工具包為：

• textract,該工具包支援多種格式檔案的資料提取
• pdfminer.six，使用方法同pdfminer是一樣的。pdfminer的使用方法參考這裡

安裝好pdfminer.six後，直接在命令列中呼叫如下命令即可：
pdf2txt.py demo_pdf.pdf -o demo_pdf.txt
或者參考stackoverflow問答可以自定義一個函式批量對pdf進行轉換(文末附有該函式)。

批量提取PDF內容的程式碼

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

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage
from io import StringIO

def convert_pdf_to_txt(path):
    rsrcmgr = PDFResourceManager()
    retstr = StringIO()
    codec = 'utf-8'
    laparams = LAParams()
    device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
    fp = open(path, 'rb')
    interpreter = PDFPageInterpreter(rsrcmgr, device)
    password = ""
    maxpages = 0
    caching = True
    pagenos=set()

    for page in PDFPage.get_pages(fp, pagenos, maxpages=maxpages, password=password,caching=caching, check_extractable=True):
        interpreter.process_page(page)

    text = retstr.getvalue()

    fp.close()
    device.close()
    retstr.close()
    return text

textract使用示例

import textract

# 檔案路徑
file_pdf = os.path.join(workdir,'Data/demo_pdf.pdf')

# 提取文字
text = textract.process(file_pdf)

word文件

python-docx

其他統計軟體生成檔案

可以使用的工具包：

• pandas.read_sas, pandas.read_spss, pandas.read_stata
• pyreadstat，可以讀取SAS,SPSS,Stata等統計軟體匯出的資料檔案。

SPSS生成的.sav檔案

# 使用Python讀取.sav檔案
# https://github.com/Roche/pyreadstat
import pyreadstat

# 檔案路徑
file_data = os.path.join(workdir,'Data/demo_sav.sav')

# 讀取檔案
df,meta = pyreadstat.read_sav(file_data)
# df就是轉化後的資料框

# 檢視編碼格式
print(meta.file_encoding)

pyreadstat包還可以讀取sas,stat的資料檔案